Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Entscheidungsstrukturen bieten folgende Vorteile:
Sie sind einfacher zu konfigurieren als neuronale Netzwerke. Entscheidungsgesamtstrukturen haben weniger Hyperparameter. Darüber hinaus bieten die Hyperparameter in Entscheidungsstrukturen gute Standardwerte.
Sie verarbeiten nativ für numerische, kategorische und fehlende Funktionen. Das bedeutet, dass Sie wesentlich weniger Vorverarbeitungscode schreiben können als bei Verwendung eines neuronalen Netzwerks. Dies spart Zeit und reduziert Fehlerquellen.
Sie liefern häufig sofort gute Ergebnisse, sind zuverlässig gegenüber verrauschten Daten und haben interpretierbare Eigenschaften.
Sie leiten und trainieren mit kleinen Datasets (< 1 Million Beispiele) viel schneller als neuronale Netzwerke.
Entscheidungswälder liefern hervorragende Ergebnisse bei Wettbewerben im Bereich des maschinellen Lernens und werden häufig für viele industrielle Aufgaben eingesetzt.
In diesem Kurs erhalten Sie eine Einführung in Entscheidungsbäume und Entscheidungswälder.
Entscheidungsgesamtstrukturen sind eine Familie von interpretierbaren Algorithmen für maschinelles Lernen, die sich besonders gut für tabellarische Daten eignen.
Entscheidungsgesamtstrukturen bieten folgende Vorteile:
In diesem Kurs wird erläutert, wie Entscheidungsstrukturen funktionieren, ohne sich auf bestimmte Bibliotheken zu konzentrieren.
Im Verlauf des Kurses enthalten Textfelder jedoch Codebeispiele, die auf der Entscheidungsstrukturbibliothek YDF basieren, aber in andere Bibliotheken der Entscheidungsstruktur konvertiert werden können.
Voraussetzungen
In diesem Kurs wird davon ausgegangen, dass Sie die folgenden Kurse abgeschlossen haben oder entsprechende Kenntnisse haben: