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 nas florestas de decisão fornecem valores padrão adequados.
- Eles processam de forma nativa recursos numéricos, categóricos e ausentes. Isso significa que você pode escrever muito menos código de pré-processamento do que ao usar uma rede neural, economizando tempo e reduzindo as fontes de erro.
- Elas geralmente oferecem bons resultados, são robustas para dados com ruídos e têm propriedades interpretáveis.
- Eles inferem e treinam em pequenos conjuntos de dados (< 1 milhão de exemplos) muito mais rápido do que as redes neurais.
As florestas de decisão produzem ótimos resultados em competições de aprendizado de máquina e são muito usadas em muitas tarefas industriais.
Neste curso, apresentamos árvores e florestas de decisão. As florestas de decisão são uma família de algoritmos de aprendizado de máquina interpretáveis que se destacam com dados tabulares. As florestas de decisão podem:
Código YDF
Este curso explica como as florestas de decisão funcionam sem se concentrar em nenhuma biblioteca
específica.
No entanto, ao longo do curso, as caixas de texto mostram exemplos de código que dependem
da biblioteca de florestas de decisão
YDF, mas podem ser convertidas em outras bibliotecas
de florestas de decisão.
Pré-requisitos
Este curso pressupõe que você tenha concluído os seguintes cursos ou tenha conhecimento equivalente:
- Curso intensivo de machine learning
- Estruturação de problemas de aprendizado de máquina
- Preparação de dados e engenharia de atributos
Bom curso!