Le foreste decisionali offrono i seguenti vantaggi:
- Sono più semplici da configurare rispetto alle reti neurali. Le foreste decisionali hanno meno iperparametri; inoltre, gli iperparametri nelle foreste decisionali forniscono valori predefiniti validi.
- Gestiscono in modo nativo le funzionalità numeriche, categoriche e mancanti. Ciò significa che puoi scrivere molto meno codice di pre-elaborazione rispetto a quando utilizzi una rete neurale, risparmiando tempo e riducendo le origini degli errori.
- Spesso offrono buoni risultati pronti all'uso, sono dati affidabili o poco affidabili e hanno proprietà interpretabili.
- Deducono e addestrano set di dati di piccole dimensioni (meno di 1 milione di esempi) molto più velocemente delle reti neurali.
Le foreste decisionali producono ottimi risultati nelle competizioni di machine learning e sono molto utilizzate in molte attività industriali.
Questo corso introduce gli alberi decisionali e le foreste decisionali. Le foreste decisionali sono una famiglia di algoritmi di machine learning interpretabili che eccellono nei dati tabulari. Le foreste decisionali possono eseguire:
Codice YDF
Questo corso spiega come funzionano le foreste decisionali senza concentrarsi su librerie specifiche.
Tuttavia, durante il corso, le caselle di testo mostrano esempi di codice che si basano sulla libreria forestale di decisioni YDF, ma possono essere convertiti in altre librerie di foreste decisionali.
Prerequisiti
Questo corso presuppone che tu abbia completato i seguenti corsi o che tu abbia una conoscenza equivalente:
- Corso intensivo sul machine learning
- Inquadratura di problemi con il machine learning
- Preparazione dei dati e feature engineering
Buon lavoro!