Lasy decyzji zapewniają te korzyści:
- Są łatwiejsze do skonfigurowania niż sieci neuronowe. Lasy decyzji mają mniej hiperparametrów. Co więcej, hiperparametry w lasach decyzji zapewniają dobre wartości domyślne.
- Natywnie obsługują cechy liczbowe, kategorialne i z brakami. Oznacza to, że możesz napisać znacznie mniej kodu do wstępnego przetwarzania niż w przypadku korzystania z sieci neuronowej, co pozwoli Ci zaoszczędzić czas i zmniejszy ryzyko wystąpienia błędów.
- Często dają dobre wyniki od razu po zaimplementowaniu, są odporne na szum danych i mają właściwości, które można interpretować.
- Wykonują wnioskowanie i trenowanie na podstawie małych zbiorów danych (mniej niż 1 mln przykładów) znacznie szybciej niż sieci neuronowe.
Lasy decyzji osiągają świetne wyniki w konkursach uczenia maszynowego i są szeroko stosowane w wielu zastosowaniach przemysłowych.
Na tym szkoleniu przedstawiamy drzewa decyzyjne i lasy decyzyjne. Lasy decyzji to rodzina interpretowalnych algorytmów uczenia maszynowego, które doskonale sprawdzają się w przypadku danych tabelarycznych. Lasy decyzyjne mogą:
Kod YDF
Z tego kursu dowiesz się, jak działają lasy decyzji bez skupiania się na konkretnych bibliotekach.
W całym kursie jednak w polach tekstowych znajdziesz przykłady kodu, które korzystają z biblioteki YDF, ale można je przekonwertować na inne biblioteki lasów decyzyjnych.
Wymagania wstępne
W tym kursie przyjęto założenie, że ukończyłeś/ukończyłaś te kursy lub masz wiedzę na równym poziomie:
- Szybkie szkolenie z uczenia maszynowego
- Formułowanie problemów z uczenia maszynowego
- Przygotowanie danych i inżynieria cech
Przyjemnej nauki!