In diesem Kurs werden Entscheidungsbäume und Entscheidungswälder vorgestellt.
Entscheidungswälder sind eine Gruppe von Modellen und Algorithmen für überwachtes maschinelles Lernen. Sie bieten folgende Vorteile:
- Sie lassen sich einfacher konfigurieren als neuronale Netzwerke. Entscheidungswälder haben weniger Hyperparameter. Darüber hinaus bieten die Hyperparameter in Entscheidungsstrukturen gute Standardwerte.
- Sie verarbeiten numerische, kategoriale und fehlende Funktionen nativ. Das bedeutet, dass Sie viel weniger Vorverarbeitungscode schreiben können als bei Verwendung eines neuronalen Netzwerks, wodurch Sie Zeit sparen und Fehlerquellen reduzieren.
- Sie liefern oft gute Ergebnisse sofort, robuste bis ungenaue Daten und interpretierbare Attribute.
- Sie leiten kleine Datasets (<1 Millionen Beispiele) ab und trainieren diese viel schnellerals neuronale Netzwerke.
Entscheidungsstrukturen liefern hervorragende Ergebnisse im Wettbewerb um maschinelles Lernen und werden häufig bei vielen industriellen Aufgaben verwendet. Entscheidungsstrukturen sind praktisch, effizient und interpretierbar. Sie können Entscheidungsstrukturen für viele beaufsichtigte Lernaufgaben verwenden, darunter:
Das Material in diesem Kurs ist allgemein für Entscheidungsstrukturen und unabhängig von einer bestimmten Bibliothek. Orangefarbene Felder wie dieses enthalten Codebeispiele, die die
TF-DF-Bibliothek (TensorFlow Decision Forests) verwenden. Diese Beispiele sind zwar TF-DF-spezifisch, lassen sich jedoch häufig einfach in andere Bibliotheken für die Entscheidungsstruktur umwandeln.
Vorbereitung
In diesem Kurs wird davon ausgegangen, dass Sie die folgenden Kurse abgeschlossen haben oder über entsprechende Kenntnisse verfügen:
- Crashkurs für maschinelles Lernen
- Framing von maschinellem Lernen
- Datenvorbereitung und Feature Engineering
Viel Spaß beim Lernen wünscht