Hutan keputusan memberikan manfaat berikut:
- Model ini lebih mudah dikonfigurasi daripada jaringan saraf. Hutan keputusan memiliki lebih sedikit hyperparameter; selain itu, hyperparameter dalam hutan keputusan memberikan default yang baik.
- Model ini menangani secara native fitur numerik, kategoris, dan yang tidak ada. Artinya, Anda dapat menulis kode prapemrosesan yang jauh lebih sedikit daripada saat menggunakan jaringan neural, sehingga menghemat waktu dan mengurangi sumber error.
- Model ini sering kali memberikan hasil yang baik secara langsung, tahan terhadap data yang berisi derau, dan memiliki properti yang dapat ditafsirkan.
- Model ini menyimpulkan dan melatih set data kecil (< 1 juta contoh) jauh lebih cepat daripada neural network.
Hutan keputusan menghasilkan hasil yang luar biasa dalam kompetisi machine learning, dan sangat banyak digunakan dalam banyak tugas industri.
Kursus ini memperkenalkan pohon keputusan dan hutan keputusan. Hutan keputusan adalah kumpulan algoritma machine learning yang dapat ditafsirkan yang unggul dalam menangani data tabular. Hutan keputusan dapat melakukan:
Kode YDF
Kursus ini menjelaskan cara kerja hutan keputusan tanpa berfokus pada library
tertentu.
Namun, di sepanjang kursus, kotak teks menampilkan contoh kode yang mengandalkan
library hutan keputusan YDF, tetapi dapat dikonversi ke library hutan
keputusan lainnya.
Prasyarat
Kursus ini mengasumsikan bahwa Anda telah menyelesaikan kursus berikut atau memiliki pengetahuan yang setara:
Selamat Belajar!