קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
יתרונות של יערות החלטות:
קל יותר להגדיר אותם מאשר רשתות נוירונליות. ביערות החלטות יש פחות היפר-פרמטרים. בנוסף, ההיפר-פרמטרים ביערות החלטות מספקים ברירת מחדל טובה.
הם מטפלים באופן מקורי בתכונות מספריות, קטגוריות וחסרות. המשמעות היא שאפשר לכתוב הרבה פחות קוד של עיבוד מקדים בהשוואה לשימוש ברשת עצבית, וכך לחסוך זמן ולצמצם את מקורות השגיאות.
לרוב הן מספקות תוצאות טובות מבלי שתצטרכו לבצע התאמות, הן עמידות בפני נתונים רועשים ויש להן מאפיינים שניתן לפרש.
הם מבצעים הסקה ומתאימים את עצמם למערכי נתונים קטנים (פחות ממיליון דוגמאות) מהר יותר מרשתות נוירונליות.
יערות החלטות מניב תוצאות מצוינות בתחרויות של למידת מכונה, והם נמצאים בשימוש נרחב במשימות תעשייתיות רבות.
בקורס הזה תלמדו על עצי החלטות ועל יער החלטות.
יערות החלטות הם משפחה של אלגוריתמים של למידת מכונה ניתנים לפרש שמתאימים במיוחד לנתונים בטבלאות.
יערות החלטות יכולים לבצע:
הקורס הזה מסביר איך פועלים יערות החלטות, בלי להתמקד בספריות ספציפיות.
עם זאת, לאורך הקורס מוצגות בתי טקסט עם דוגמאות לקוד שמבוססות על ספריית יער ההחלטות YDF, אבל אפשר להמיר אותן לספריות אחרות של יער החלטות.
דרישות מוקדמות
הקורס הזה מיועד למי שכבר השלים את הקורסים הבאים או שיש לו ידע מקביל:
[null,null,["עדכון אחרון: 2025-02-25 (שעון UTC)."],[[["\u003cp\u003eDecision forests are interpretable machine learning algorithms that work well with tabular data for tasks like classification, regression, and ranking.\u003c/p\u003e\n"],["\u003cp\u003eDecision forests offer advantages such as easy configuration, native handling of various data types, robustness to noise, and fast inference/training on smaller datasets.\u003c/p\u003e\n"],["\u003cp\u003eThis course provides a comprehensive understanding of decision trees and forests, including how they make predictions, different types, performance considerations, and effective usage strategies.\u003c/p\u003e\n"],["\u003cp\u003eThe course uses YDF library code examples to demonstrate concepts, but the knowledge is transferable to other decision forest libraries.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge and familiarity with data preprocessing are prerequisites for this course.\u003c/p\u003e\n"]]],[],null,["# Introduction\n\n\u003cbr /\u003e\n\n| **Estimated Course Time:** 2.5 hours\n\nDecision forests provide the following benefits:\n\n- They are **easier to configure** than neural networks. Decision forests have **fewer hyperparameters** ; furthermore, the hyperparameters in decision forests provide **good defaults**.\n- They **natively handle** numeric, categorical, and missing features. This means you can write far less preprocessing code than when using a neural network, saving you time and reducing sources for error.\n- They often give **good results out of the box**, are robust to noisy data, and have interpretable properties.\n- They infer and train on small datasets (\\\u003c 1M examples) **much faster** than neural networks.\n\nDecision forests produce great results in machine learning competitions, and\nare heavily used in many industrial tasks.\n\nThis course introduces decision trees and decision forests.\nDecision forests are a family of\n[interpretable](/machine-learning/glossary#interpretability) machine learning\nalgorithms that excel with tabular data.\nDecision forests can perform:\n\n- [Classification](https://developers.google.com/machine-learning/glossary/#classification-model)\n- [Regression](https://developers.google.com/machine-learning/glossary/#regression-model)\n- [Ranking](https://developers.google.com/machine-learning/glossary/#ranking)\n- [Anomaly detection](https://developers.google.com/machine-learning/glossary#anomaly-detection)\n- [Uplift modeling](https://developers.google.com/machine-learning/glossary/#uplift-modeling).\n\n| **Learning Objectives:**\n|\n| - Explain decision trees and decision forests.\n| - Determine how decision trees and decision forests make predictions.\n| - Understand how different types of decision forests, such as random forests and gradient boosted trees.\n| - Explain when decision forests perform well, and what their limitations are.\n- Develop a sense of how to use decision forests effectively. \nYDF Code\nThis course explains how decision forests work without focusing on any specific libraries. However, throughout the course, text boxes showcase code examples that rely on the [YDF](https://ydf.readthedocs.io) decision forest library, but can be be converted to other decision forest libraries.\n\nPrerequisites\n-------------\n\nThis course assumes you have completed the following courses or have equivalent\nknowledge:\n\n- [Machine Learning Crash Course](/machine-learning/crash-course)\n- [Machine Learning Problem Framing](/machine-learning/problem-framing)\n- [Data Prep and Feature Engineering](/machine-learning/data-prep)\n\n*Happy Learning!*"]]
