مقدمه

جنگل های تصمیم گیری مزایای زیر را ارائه می دهند:

  • پیکربندی آنها راحت تر از شبکه های عصبی است. جنگل‌های تصمیم‌گیری فراپارامترهای کمتری دارند. علاوه بر این، فراپارامترها در جنگل های تصمیم گیری پیش فرض های خوبی را ارائه می دهند.
  • آنها به طور بومی ویژگی های عددی، دسته بندی و گمشده را کنترل می کنند . این بدان معنی است که می توانید کدهای پیش پردازشی بسیار کمتری نسبت به زمانی که از شبکه عصبی استفاده می کنید بنویسید، در زمان شما صرفه جویی می کند و منابع خطا را کاهش می دهد.
  • آنها اغلب نتایج خوبی را در خارج از جعبه ارائه می دهند، در برابر داده های پر سر و صدا قوی هستند و ویژگی های قابل تفسیر دارند.
  • آنها بر روی مجموعه داده های کوچک (کمتر از 1 میلیون نمونه) بسیار سریعتر از شبکه های عصبی استنباط می کنند و آموزش می بینند.

جنگل های تصمیم گیری نتایج بسیار خوبی در مسابقات یادگیری ماشین ایجاد می کنند و به شدت در بسیاری از کارهای صنعتی استفاده می شوند.

این دوره به معرفی درختان تصمیم و جنگل های تصمیم می پردازد. جنگل‌های تصمیم خانواده‌ای از الگوریتم‌های یادگیری ماشینی قابل تفسیر هستند که با داده‌های جدولی برتری دارند. جنگل های تصمیم گیری می توانند انجام دهند:

کد YDF
این دوره توضیح می دهد که چگونه جنگل های تصمیم گیری بدون تمرکز بر هیچ کتابخانه خاصی کار می کنند. با این حال، در طول دوره، جعبه‌های متن نمونه‌های کدی را نشان می‌دهند که به کتابخانه جنگل تصمیم YDF متکی هستند، اما می‌توانند به کتابخانه‌های جنگل تصمیم دیگر تبدیل شوند.

پیش نیازها

این دوره فرض می کند که شما دوره های زیر را گذرانده اید یا دانش معادل آن را دارید:

یادگیری مبارک!

بعدی
داده های مناسب