Lasy decyzyjne zapewniają następujące korzyści:
- Są łatwiejsze w konfiguracji niż sieci neuronowe. Lasy decyzyjne mają mniej hiperparametrów. Ponadto hiperparametry w lasach decyzyjnych zapewniają dobre wartości domyślne.
- Natywnie obsługują funkcje liczbowe, kategorialne i brakujące. Oznacza to, że możesz pisać znacznie mniej kodu wstępnego przetwarzania niż przy użyciu sieci neuronowej, co pozwala zaoszczędzić czas i zmniejszyć liczbę źródeł błędów.
- Często dają one dobre wyniki od razu, są odporne na zaszumione dane i mają łatwe do zinterpretowania właściwości.
- Pozwalają one wnioskować i trenować na małych zbiorach danych (poniżej 1 mln przykładów) znacznie szybciej niż sieci neuronowe.
Lasy decyzyjne zapewniają świetne wyniki w konkursach w zakresie systemów uczących się i są intensywnie używane w wielu zadaniach przemysłowych.
W tym kursie przedstawiamy drzewa decyzyjne i lasy decyzyjne. Lasy decyzyjne to rodzina możliwych do interpretacji algorytmów systemów uczących się, które znakomicie działają z danymi tabelarycznymi. Lasy decyzyjne mogą osiągnąć następujące wyniki:
Kod YDF
Z tego kursu dowiesz się, jak działają lasy decyzyjne. Nie musisz skupiać się na konkretnych bibliotekach.
W trakcie kursu pola tekstowe zawierają jednak przykłady kodu, które bazują na bibliotece lasów decyzyjnych YDF, ale można je przekształcić w inne biblioteki leśne decyzyjne.
Wymagania wstępne
Zakładamy, że masz już ukończone poniższe kursy lub masz podobną wiedzę:
- Szybkie szkolenie z systemów uczących się
- Kadrowanie problemów z systemami uczącymi się
- Przygotowywanie danych i inżynieria funkcji
Przyjemnej nauki!