Einführung

In diesem Kurs werden Entscheidungsbaum und Entscheidungswälder vorgestellt.

Entscheidungswägen sind eine Gruppe von Modellen und Algorithmen für überwachtes maschinelles Lernen, die überwacht werden. Sie bieten folgende Vorteile:

  • Sie sind einfacher zu konfigurieren als neuronale Netzwerke. Entscheidungsstrukturen haben weniger Hyperparameter. Darüber hinaus bieten die Hyperparameter in Entscheidungsforen gute Standardwerte.
  • Sie verarbeiten numerische und kategoriale Funktionen sowie fehlende Funktionen nativ. Das bedeutet, dass Sie viel weniger Vorverarbeitungscode schreiben können als bei Verwendung eines neuronalen Netzwerks, was Zeit spart und Fehlerquellen reduziert.
  • Sie liefern oft gute Ergebnisse. Außerdem sind sie solide bis laute Daten und haben interpretierte Eigenschaften.
  • Sie leiten kleine Datasets <1 Mio. Beispiele viel schneller ab und trainieren sie im Vergleich zu neuronalen Netzwerken.

Entscheidungswälder liefern hervorragende Ergebnisse bei Wettbewerben im Bereich des maschinellen Lernens und werden häufig in vielen industriellen Aufgaben verwendet. Entscheidungswägen sind praktisch, effizient und Interpretierbar. Sie können Entscheidungswägen für viele überwachte Lernaufgaben verwenden, z. B.:

Die Inhalte dieses Kurses beziehen sich nur auf Entscheidungsforen und unabhängig von einer bestimmten Bibliothek. Orangefarbene Felder wie dieses enthalten jedoch Codebeispiele, die die TensorFlow-Entscheidungswälder (TF-DF) verwenden. Diese Beispiele sind zwar speziell für TF-DF definiert, lassen sich aber oft einfach in andere Entscheidende Bibliotheken umwandeln.

Voraussetzungen

Für diesen Kurs wird davon ausgegangen, dass Sie die folgenden Kurse absolviert haben oder gleichwertige Kenntnisse haben:

Viel Spaß bei den Online-Seminaren!