Model ini lebih mudah dikonfigurasi daripada jaringan saraf. Hutan keputusan
memiliki lebih sedikit hyperparameter; selain itu, hyperparameter dalam hutan
keputusan memberikan default yang baik.
Model ini menangani secara native fitur numerik, kategoris, dan yang tidak ada. Artinya,
Anda dapat menulis kode prapemrosesan yang jauh lebih sedikit daripada saat menggunakan jaringan neural, sehingga menghemat waktu dan mengurangi sumber error.
Model ini sering kali memberikan hasil yang baik secara langsung, tahan terhadap data yang berisi derau,
dan memiliki properti yang dapat ditafsirkan.
Model ini menyimpulkan dan melatih set data kecil (< 1 juta contoh) jauh lebih cepat daripada neural network.
Hutan keputusan menghasilkan hasil yang luar biasa dalam kompetisi machine learning, dan
sangat banyak digunakan dalam banyak tugas industri.
Kursus ini memperkenalkan pohon keputusan dan hutan keputusan.
Hutan keputusan adalah kumpulan algoritma machine learning yang dapat ditafsirkan yang unggul dalam menangani data tabular.
Hutan keputusan dapat melakukan:
Kursus ini menjelaskan cara kerja hutan keputusan tanpa berfokus pada library
tertentu.
Namun, di sepanjang kursus, kotak teks menampilkan contoh kode yang mengandalkan
library hutan keputusan YDF, tetapi dapat dikonversi ke library hutan
keputusan lainnya.
Prasyarat
Kursus ini mengasumsikan bahwa Anda telah menyelesaikan kursus berikut atau memiliki pengetahuan
yang setara:
[null,null,["Terakhir diperbarui pada 2025-02-25 UTC."],[[["Decision forests are interpretable machine learning algorithms that work well with tabular data for tasks like classification, regression, and ranking."],["Decision forests offer advantages such as easy configuration, native handling of various data types, robustness to noise, and fast inference/training on smaller datasets."],["This course provides a comprehensive understanding of decision trees and forests, including how they make predictions, different types, performance considerations, and effective usage strategies."],["The course uses YDF library code examples to demonstrate concepts, but the knowledge is transferable to other decision forest libraries."],["Basic machine learning knowledge and familiarity with data preprocessing are prerequisites for this course."]]],[]]
