Questo corso introduce gli alberi decisionali e le forze decisionali.
Le foreste decisionali sono una famiglia di algoritmi e modelli di machine learning supervisionati. Forniscono i seguenti vantaggi:
- Sono più facili da configurare rispetto alle reti neurali. Le foreste decisionali hanno meno iperparametri; inoltre, gli iperparametri nelle foreste decisionali forniscono buone impostazioni predefinite.
- che gestiscono in modo nativo 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 fonti di errore.
- Offrono spesso buoni risultati fin dal primo utilizzo, sono dati da solidi a rumorosi e hanno proprietà interpretabili.
- Consente di dedurre e addestrare su piccoli set di dati (meno di 1 milione di esempi) molto più velocemente rispetto alle reti neurali.
Le foreste decisionali generano ottimi risultati nelle competizioni di machine learning e sono molto utilizzate in molte attività industriali. Le foreste decisionali sono pratiche, efficienti e interpretabili. Puoi utilizzare le foreste decisionali per molte attività di apprendimento supervisionato, tra cui:
Il materiale di questo corso è generico per le foreste decisionali e indipendente da qualsiasi
biblioteca specifica. Tuttavia, riquadri arancioni come questo contengono esempi di codice che utilizzano la
libreria TensorFlow Decision Forests (TF-DF). Sebbene siano specifici per TF-DF, questi esempi sono spesso facilmente convertibili 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 dei problemi di machine learning
- Preparazione dei dati e progettazione delle funzionalità
Buono studio!