はじめに

コースの所要時間: 2.5 時間

決定木には次のようなメリットがあります。

• ニューラル ネットワークよりも構成が簡単です。決定木にはハイパーパラメータが少ないため、デフォルトのハイパーパラメータが優れている。
• 数値特徴、カテゴリ特徴、欠損特徴をネイティブに処理します。つまり、ニューラル ネットワークを使用する場合よりも、前処理コードを大幅に減らすことができます。これにより、時間の節約とエラーの原因の削減につながります。
• 多くの場合、すぐに優れた結果が得られ、ノイズの多いデータに対しても堅牢で、解釈可能なプロパティを備えています。
• ニューラル ネットワークよりもはるかに高速に、小規模なデータセット（100 万個未満のサンプル）で推論とトレーニングを行います。

ディシジョン フォレストは、機械学習コンテストで優れた結果を残し、多くの産業用タスクで広く使用されています。

このコースでは、ディシジョン ツリーとディシジョン フォレストについて説明します。デシジョン フォレストは、表形式データに優れた解釈可能な機械学習アルゴリズムのファミリーです。デシジョン フォレストは、次の処理を行うことができます。

• 分類
• 回帰
• ランキング
• 異常検出
• 伸び率モデリング。

学習目標:

• ディシジョン ツリーとディシジョン フォレストについて説明します。
• 意思決定ツリーと意思決定フォレストによる予測の仕組みを理解する。
• ランダム フォレストや勾配ブースト ツリーなど、さまざまなタイプのディシジョン フォレストの動作を理解する。
• 決定木が優れたパフォーマンスを発揮する状況と、その制限事項について説明します。
• 決定木を効果的に使用する方法を理解する。

YDF コード

このコースでは、特定のライブラリに焦点を当てることなく、ディシジョン フォレストの仕組みについて説明します。ただし、コース全体を通して、テキスト ボックスには YDF 決定木ライブラリに依存するコード例が示されていますが、他の決定木ライブラリに変換することもできます。

前提条件

このコースは、次のコースを修了しているか、同等の知識があることを前提としています。

• ML 集中講座（英語）
• 機械学習の問題のフレーミング
• データの準備と特徴量エンジニアリング

ご利用をお待ちしております。