ป่าการตัดสินใจให้ประโยชน์ต่อไปนี้
- ซึ่งกำหนดค่าได้ง่ายกว่าระบบประสาทเทียม ฟอเรสต์การตัดสินใจ มีไฮเปอร์พารามิเตอร์น้อยกว่า นอกจากนี้ ไฮเปอร์พารามิเตอร์ในป่าการตัดสินใจยังมีค่าเริ่มต้นที่ดี
- แคมเปญจะจัดการฟีเจอร์ที่เป็นตัวเลข หมวดหมู่ และที่ขาดหายไปโดยค่าเริ่มต้น ซึ่งหมายความว่าคุณจะเขียนโค้ดการประมวลผลล่วงหน้าได้น้อยกว่าการใช้เครือข่ายระบบประสาทมาก ซึ่งช่วยคุณประหยัดเวลาและลดแหล่งที่มาของข้อผิดพลาด
- เครื่องมือเหล่านี้มักให้ผลลัพธ์ที่ดีตั้งแต่แกะกล่อง มีประสิทธิภาพเมื่อพบข้อมูลเสียงดัง และพร็อพเพอร์ตี้ที่ตีความได้
- โดยอนุมานและฝึกฝนกับชุดข้อมูลขนาดเล็ก (น้อยกว่า 1 ล้านตัวอย่าง) ได้เร็วกว่าโครงข่ายประสาทมาก
ป่าการตัดสินใจสร้างผลลัพธ์ที่ยอดเยี่ยมในการแข่งขันด้านแมชชีนเลิร์นนิงและมีการใช้งานมากในงานอุตสาหกรรมหลายงาน
หลักสูตรนี้จะแนะนำแผนผังการตัดสินใจและป่าการตัดสินใจ ป่าการตัดสินใจคือกลุ่มอัลกอริทึมของแมชชีนเลิร์นนิงที่ตีความได้ซึ่งทำงานกับข้อมูลแบบตารางได้อย่างดีเยี่ยม ป่าการตัดสินใจทำสิ่งต่อไปนี้ได้
รหัส YDF
หลักสูตรนี้จะอธิบายวิธีการทำงานของฟอเรสต์การตัดสินใจโดยไม่ต้องมุ่งเน้นไลบรารีใดเป็นพิเศษ
อย่างไรก็ตาม ช่องข้อความจะแสดงตัวอย่างโค้ดที่ใช้ไลบรารีฟอเรสต์การตัดสินใจ YDF ตลอดทั้งหลักสูตร แต่สามารถแปลงเป็นไลบรารีฟอเรสต์การตัดสินใจอื่นๆ ได้
ข้อกำหนดเบื้องต้น
หลักสูตรนี้จะถือว่าคุณจบหลักสูตรต่อไปนี้หรือมีความรู้เทียบเท่า
- หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง
- การจัดเฟรมปัญหาของแมชชีนเลิร์นนิง
- การเตรียมข้อมูลและวิศวกรรมฟีเจอร์
ขอให้สนุกกับการเรียนรู้