简介

课程预计用时：2.5 小时

决策树具有以下优势：

• 与神经网络相比，它们更易于配置。决策树具有更少的超参数；此外，决策树中的超参数提供了良好的默认值。
• 它们原生处理数值、分类和缺失特征。这意味着，与使用神经网络相比，您编写的预处理代码要少得多，从而节省时间并减少错误来源。
• 它们通常开箱即用，可获得良好的结果，对噪声数据具有鲁棒性，并且具有可解释的属性。
• 与神经网络相比，它们在小数据集（少于 100 万个示例）上进行推理和训练的速度要快得多。

决策树在机器学习竞赛中取得了出色的成效，并广泛应用于许多工业任务。

本课程介绍了决策树和决策森林。决策树是一类可解释的机器学习算法，在处理表格数据方面表现出色。决策森林可以执行以下操作：

• Classification
• 回归
• 排名
• 异常值检测
• 效果提升建模。

学习目标：

• 说明决策树和决策森林。
• 确定决策树和决策森林如何进行预测。
• 了解不同类型的决策森林（例如随机森林和梯度提升树）的运作方式。
• 说明何时应使用决策森林，以及决策森林的局限性。
• 了解如何有效使用决策树。

YDF 代码

本课程介绍决策树的运作方式，但不会重点介绍任何特定库。不过，在本课程中，文本框中展示的代码示例依赖于 YDF 决策树库，但可以转换为其他决策树库。

前提条件

本课程假定您已完成以下课程或具有等同的知识：

• 机器学习速成课程
• 机器学习问题构建
• 数据准备和特征工程

祝您学习愉快！