Wprowadzenie

Kurs prezentuje drzewa decyzyjne i lasy decyzyjne.

Lasy decyzyjne to rodzina nadzorowanych modeli i systemów uczących się. Zapewniają one następujące korzyści:

  • łatwiejsze w konfiguracji niż sieci neuronowe. Lasy decyzyjne mają mniej hiperparametrów, a hiperparametry w decyzjach w lasach stanowią domyślną wartość domyślną.
  • Natywne reklamy natywne obsługują wartości liczbowe, kategorialne i brakujące. Oznacza to, że możesz znacznie zmniejszyć ilość wstępnego przetwarzania kodu niż w przypadku korzystania z sieci neuronowej, co pozwala oszczędzić czas i zmniejszyć liczbę błędów.
  • Często zapewniają doskonałe wyniki, są solidne względem hałaśliwych danych i mają właściwości zrozumiałe.
  • Z małych zbiorów danych (np. 1 mln) trenują i trenują je znacznie szybciej niż sieci neuronowe.

Lasy decyzyjne zapewniają świetne wyniki w konkursach związanych z systemami uczącymi się. Są często wykorzystywane w wielu zadaniach przemysłowych. Lasy decyzyjne są praktyczne, efektywne i możliwe do zinterpretowania. Z lasów decyzyjnych można korzystać w wielu nadzorowanych zadaniach, takich jak:

Materiały zawarte w tym kursie mają charakter ogólny i dotyczą poszczególnych lasów decyzyjnych. Pomarańczowe pola tego typu zawierają jednak przykładowy kod, który korzysta z biblioteki decyzyjnej TensorFlow (TF-DF). Chociaż są one specyficzne dla TF-DF, często można je łatwo przekształcić w inne biblioteki leśne.

Wymagania wstępne

W ramach tego kursu założono, że masz ukończone wszystkie te kursy lub dysponujesz odpowiednią wiedzą:

Przyjemnej nauki!