डिसिज़न फ़ॉरेस्ट से ये फ़ायदे होते हैं:
- न्यूरल नेटवर्क के मुकाबले इन्हें कॉन्फ़िगर करना ज़्यादा आसान है. डिसिज़न फ़ॉरेस्ट में कम हाइपर पैरामीटर होते हैं. इसके अलावा, डिसीज़न में हाइपर पैरामीटर अच्छे डिफ़ॉल्ट देते हैं.
- ये संख्या वाली, कैटगरी के हिसाब से, और उपलब्ध न होने वाली सुविधाओं को नेटिव तौर पर हैंडल करते हैं. इसका मतलब है कि न्यूरल नेटवर्क के इस्तेमाल के मुकाबले प्री-प्रोसेसिंग कोड बहुत कम लिखा जा सकता है. इससे आपका समय बचता है और गड़बड़ी वाले सोर्स कम हो जाते हैं.
- वे अक्सर अलग-अलग तरह से अच्छे नतीजे देते हैं, ग़ैर-ज़रूरी डेटा के लिए मज़बूत होते हैं, और इनमें समझना आसान होता है.
- वे न्यूरल नेटवर्क की तुलना में छोटे डेटासेट (< 10 लाख उदाहरण) पर अनुमान लगाते हैं और ट्रेनिंग करते हैं. ये नेटवर्क, न्यूरल नेटवर्क के मुकाबले ज़्यादा तेज़ होते हैं.
डिसिज़न फ़ॉरेस्ट, मशीन लर्निंग प्रतियोगिताओं में बहुत अच्छे नतीजे देता है. साथ ही, कई औद्योगिक कामों में इनका बहुत ज़्यादा इस्तेमाल किया जाता है.
इस कोर्स में डिसिज़न ट्री और डिसिज़न फ़ॉरेस्ट के बारे में बताया गया है. डिसिज़न फ़ॉरेस्ट, समझ में आने वाले मशीन लर्निंग एल्गोरिदम का एक फ़ैमिली है जो टेबल फ़ॉर्मैट वाले डेटा के साथ बेहतर तरीके से काम करता है. डिसिज़न फ़ॉरेस्ट ये काम कर सकते हैं:
YDF कोड
इस कोर्स में बताया गया है कि डिसिज़न फ़ॉरेस्ट किसी खास लाइब्रेरी पर ध्यान दिए बिना कैसे काम करता है.
हालांकि, पूरे कोर्स में, टेक्स्ट बॉक्स में ऐसे कोड के उदाहरण दिखाए जाते हैं जो
YDF डिसिज़न फ़ॉरेस्ट लाइब्रेरी पर निर्भर होते हैं. हालांकि, उन्हें अन्य डिसिज़न फ़ॉरेस्ट लाइब्रेरी में बदला जा सकता है.
ज़रूरी शर्तें
इस कोर्स में यह माना जाता है कि आपने यहां दिए गए कोर्स पूरे कर लिए हैं या आपके पास इनके बराबर जानकारी है:
- मशीन लर्निंग क्रैश कोर्स
- मशीन लर्निंग से जुड़ी समस्या को फ़्रेमिंग
- डेटा तैयार करना और फ़ीचर इंजीनियरिंग
सीखते रहें!