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)."],[[["Decision forests are interpretable machine learning algorithms that work well with tabular data for tasks like classification, regression, and ranking."],["Decision forests offer advantages such as easy configuration, native handling of various data types, robustness to noise, and fast inference/training on smaller datasets."],["This course provides a comprehensive understanding of decision trees and forests, including how they make predictions, different types, performance considerations, and effective usage strategies."],["The course uses YDF library code examples to demonstrate concepts, but the knowledge is transferable to other decision forest libraries."],["Basic machine learning knowledge and familiarity with data preprocessing are prerequisites for this course."]]],[]]
