معرفی

این دوره به معرفی درختان تصمیم و جنگل های تصمیم می پردازد.

جنگل‌های تصمیم خانواده‌ای از مدل‌ها و الگوریتم‌های یادگیری ماشین یادگیری تحت نظارت هستند. آنها مزایای زیر را ارائه می دهند:

  • پیکربندی آنها راحت تر از شبکه های عصبی است. جنگل‌های تصمیم‌گیری فراپارامترهای کمتری دارند. علاوه بر این، فراپارامترها در جنگل های تصمیم گیری پیش فرض های خوبی را ارائه می دهند.
  • آنها به طور بومی ویژگی های عددی، دسته بندی و گمشده را کنترل می کنند . این بدان معنی است که می توانید کدهای پیش پردازشی بسیار کمتری نسبت به زمانی که از شبکه عصبی استفاده می کنید بنویسید، در زمان شما صرفه جویی می کند و منابع خطا را کاهش می دهد.
  • آنها اغلب نتایج خوبی را در خارج از جعبه ارائه می دهند، در برابر داده های پر سر و صدا قوی هستند و ویژگی های قابل تفسیر دارند.
  • آنها بر روی مجموعه داده های کوچک (<1M نمونه) بسیار سریعتر از شبکه های عصبی استنباط می کنند و آموزش می بینند.

جنگل های تصمیم گیری نتایج بسیار خوبی در مسابقات یادگیری ماشین ایجاد می کنند و به شدت در بسیاری از کارهای صنعتی استفاده می شوند. جنگل های تصمیم گیری کاربردی، کارآمد و قابل تفسیر هستند. می‌توانید از جنگل‌های تصمیم‌گیری برای بسیاری از وظایف یادگیری تحت نظارت استفاده کنید، از جمله:

مطالب این دوره برای جنگل‌های تصمیم‌گیری عمومی و برای هر کتابخانه‌ای خاص است. با این حال، جعبه‌های نارنجی مانند این حاوی نمونه‌های کدی هستند که از کتابخانه TensorFlow Decision Forests (TF-DF) استفاده می‌کنند. در حالی که مختص TF-DF است، این نمونه ها اغلب به راحتی به کتابخانه های جنگل تصمیم گیری دیگر تبدیل می شوند.

پیش نیازها

این دوره فرض می کند که شما دوره های زیر را گذرانده اید یا دانش معادل آن را دارید:

یادگیری مبارک!