แนะนำตัว

หลักสูตรนี้จะกล่าวถึงต้นไม้สําหรับการตัดสินใจและเขตการตัดสินใจ

ป่าแห่งการตัดสินใจเป็นตระกูลของโมเดลการเรียนรู้ของเครื่องและอัลกอริทึมที่มีการควบคุมดูแล ให้ประโยชน์ดังนี้:

  • เครือข่ายเหล่านี้กําหนดค่าได้ง่ายกว่าเครือข่ายระบบประสาท ฟอเรสต์พารามิเตอร์จะมีไฮเปอร์พารามิเตอร์น้อยกว่า นอกจากนี้ ไฮเปอร์พารามิเตอร์ในฟอเรสต์คือค่าเริ่มต้นที่ดี
  • ฟีเจอร์เหล่านี้จะจัดการได้ด้วยตัวเอง ไม่ว่าจะเป็นฟีเจอร์ตัวเลข หมวดหมู่ หรืออื่นๆ ซึ่งหมายความว่าคุณสามารถเขียนโค้ดล่วงหน้าล่วงหน้าได้น้อยกว่าเมื่อใช้เครือข่ายระบบประสาท ซึ่งช่วยประหยัดเวลาและลดแหล่งที่มาของข้อผิดพลาดได้
  • และมักจะให้ผลลัพธ์ที่ดีตั้งแต่เริ่มต้น ข้อมูลคงทนต่อเสียงรบกวน และมีพร็อพเพอร์ตี้ที่ตีความได้
  • โดยอนุมานและฝึกชุดข้อมูลขนาดเล็ก (น้อยกว่า 1 ล้านครั้ง) ได้เร็วกว่าเครือข่ายระบบประสาท

ป่าการตัดสินใจให้ผลลัพธ์ที่ดีในการแข่งขันด้านแมชชีนเลิร์นนิงและใช้กันอย่างแพร่หลายในงานอุตสาหกรรมจํานวนมาก ป่าที่มีอํานาจตัดสินใจนั้น มีประโยชน์ มีประสิทธิภาพ และสามารถตีความได้ คุณสามารถใช้ฟอเรสต์การตัดสินใจสําหรับงานการเรียนรู้ที่มีการควบคุมดูแลได้มากมาย ซึ่งรวมถึงงานต่อไปนี้

เนื้อหาในหลักสูตรนี้เป็นเนื้อหากว้างๆ ในป่าที่ตัดสินใจเลือกและเข้าใจได้โดยไม่จําเป็นต้องทํางานกับไลบรารีที่เจาะจงใดๆ อย่างไรก็ตาม กล่องสีส้มเช่นนี้มีตัวอย่างโค้ดที่ใช้ ไลบรารี TensorFlow Decision Forests (TF-DF) แม้ว่า TF-DF จะเฉพาะเจาะจง แต่ตัวอย่างเหล่านี้ ก็แปลงเป็นไลบรารีป่าการตัดสินใจอื่นๆ ได้ง่าย

สิ่งที่ต้องดำเนินการก่อน

หลักสูตรนี้จะถือว่าคุณผ่านหลักสูตรต่อไปนี้หรือมีความรู้เทียบเท่า

ขอให้สนุกกับการเรียนรู้