As florestas de decisão oferecem os seguintes benefícios:
- Elas são mais fáceis de configurar do que as redes neurais. As florestas de decisão têm menos hiperparâmetros. Além disso, os hiperparâmetros em florestas de decisão fornecem bons padrões.
- Eles processam nativamente atributos numéricos, categóricos e ausentes. Isso significa que é possível escrever muito menos código de pré-processamento do que usando uma rede neural, economizando tempo e reduzindo origens de erros.
- Elas geralmente oferecem bons resultados prontos para uso, são robustos para dados com ruído e têm propriedades interpretáveis.
- Elas inferem e treinam em pequenos conjuntos de dados (menos de 1 milhão de exemplos) muito mais rápido do que as redes neurais.
As florestas de decisão produzem ótimos resultados em competições de machine learning e são muito usadas em muitas tarefas industriais.
Este curso apresenta árvores de decisão e florestas de decisão. Florestas de decisão são uma família de algoritmos de machine learning interpretáveis que se destacam com dados tabulares. As florestas de decisão podem ter:
Código YDF
Este curso explica como as florestas de decisão funcionam sem focar em nenhuma biblioteca específica.
No entanto, ao longo do curso, as caixas de texto mostram exemplos de código que dependem
da biblioteca da floresta de decisão
YDF, mas podem ser convertidas em outras bibliotecas da floresta de decisão.
Pré-requisitos
Este curso pressupõe que você concluiu os cursos a seguir ou tem conhecimentos equivalentes:
- Curso intensivo de machine learning
- Definição de problemas de machine learning
- Preparação de dados e engenharia de atributos
Divirta-se aprendendo.