決策樹提供以下優點：
- 相較於類神經網路，容器設定較容易。決策樹的超參數較少；更進一步，決策樹中的超參數提供良好的預設值。
- 而是原生處理數字、類別和缺少的特徵。這表示相較於使用類神經網路，您撰寫的預先處理程式碼要少很多，可節省時間並減少出錯的來源。
- 這些方法通常能立即提供良好的結果、能用來處理雜訊過多的資料，並具備可解釋的屬性。
- 與類神經網路相比，這類模型推論小型資料集 (樣本不到 100 萬個)，速度相當快。
決策樹可為機器學習的競爭帶來絕佳成果，且在許多工業工作中大量使用。
本課程介紹決策樹和決策樹。決策樹是一組「可解釋」的機器學習演算法，可搭配表格資料使用。決策樹可執行以下動作：
YDF 代碼
本課程說明決策樹的運作方式，而不必關注任何特定程式庫。不過，整個課程中，文字方塊示範的程式碼範例是以 YDF 決策樹系程式庫，但可以轉換為其他決策樹系程式庫。必要條件
本課程假設您已完成以下課程，或已具備同等知識：
祝您學習愉快！