Los bosques de decisión proporcionan los siguientes beneficios:
- Son más fáciles de configurar que las redes neuronales. Los bosques de decisión tienen menos hiperparámetros. Además, los hiperparámetros de los bosques de decisión proporcionan buenos valores predeterminados.
- Controlan de forma nativa los atributos numéricos, categóricos y faltantes. Esto significa que puedes escribir mucho menos código de procesamiento previo que cuando usas una red neuronal, lo que te ahorra tiempo y reduce las fuentes de error.
- A menudo, proporcionan buenos resultados de forma inmediata, son resistentes a los datos con ruido y tienen propiedades interpretables.
- Infieren y entrenan en conjuntos de datos pequeños (< 1 millón de ejemplos) mucho más rápido que las redes neuronales.
Los bosques de decisión producen excelentes resultados en las competencias de aprendizaje automático y se usan mucho en muchas tareas industriales.
En este curso, se presentan los árboles de decisión y los bosques de decisión. Los bosques de decisión son una familia de algoritmos de aprendizaje automático interpretables que se destacan con los datos tabulares. Los bosques de decisión pueden realizar las siguientes acciones:
Código YDF
En este curso, se explica cómo funcionan los bosques de decisión sin enfocarse en ninguna biblioteca específica.
Sin embargo, a lo largo del curso, los cuadros de texto muestran ejemplos de código que dependen de la biblioteca de bosques de decisión YDF, pero se pueden convertir a otras bibliotecas de bosques de decisión.
Requisitos previos
En este curso, se supone que completaste los siguientes cursos o tienes conocimientos equivalentes:
- Curso intensivo de aprendizaje automático
- Enmarcado de problemas de aprendizaje automático
- Preparación de datos y creación de atributos
¡Disfruta el aprendizaje!