Le foreste di alberi decisionali offrono i seguenti vantaggi:
- Sono più facili da configurare rispetto alle reti neurali. Le foreste decisionali hanno meno iperparametri. Inoltre, gli iperparametri delle foreste decisionali forniscono valori predefiniti efficaci.
- Gestiscono in modo nativo le caratteristiche numeriche, categoriche e mancanti. Ciò significa che puoi scrivere molto meno codice di preelaborazione rispetto all'utilizzo di una rete neurale, risparmiando tempo e riducendo le fonti di errore.
- Spesso forniscono buoni risultati senza bisogno di alcuna configurazione, sono resistenti ai dati con rumore e hanno proprietà interpretabili.
- Effettuano l'inferenza e l'addestramento su set di dati di piccole dimensioni (< 1 milione di esempi) molto più velocemente rispetto alle reti neurali.
Le foreste di alberi decisionali producono ottimi risultati nelle competizioni di machine learning e sono ampiamente utilizzate in molte attività industriali.
Questo corso introduce gli alberi decisionali e le foreste decisionali. Le foreste di alberi decisionali sono una famiglia di algoritmi di machine learning interpretabili che eccellono con i dati tabulari. Le foreste di alberi decisionali possono eseguire:
Codice YDF
Questo corso spiega come funzionano le foreste di decisione senza concentrarsi su librerie specifiche.
Tuttavia, durante il corso, le caselle di testo mostrano esempi di codice che si basano sulla libreria foresta di decisione YDF, ma possono essere convertiti in altre librerie foresta di decisione.
Prerequisiti
Questo corso presuppone che tu abbia completato i seguenti corsi o abbia conoscenze equivalenti:
- Machine Learning Crash Course
- Definizione del problema di machine learning
- Preparazione dei dati e creazione di funzionalità
Buon proseguimento!