Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Hutan keputusan memberikan manfaat berikut:
Jaringan ini lebih mudah dikonfigurasi daripada jaringan neural. Hutan keputusan memiliki lebih sedikit hyperparameter; selain itu, hyperparameter dalam hutan keputusan memberikan default yang baik.
Perangkat tersebut secara native menangani fitur numerik, kategoris, dan yang tidak ada. Artinya, Anda dapat menulis kode prapemrosesan yang jauh lebih sedikit daripada saat menggunakan jaringan neural, sehingga menghemat waktu dan mengurangi sumber error.
Class ini sering kali memberikan hasil langsung yang baik, andal untuk data yang mengandung noise,
dan memiliki properti yang dapat ditafsirkan.
Mereka menyimpulkan dan melatih set data kecil (<1 juta contoh) jauh lebih cepat daripada
jaringan neural.
Hutan keputusan memberikan hasil yang bagus dalam kompetisi machine learning, dan
banyak digunakan dalam banyak tugas industri.
Materi ini memperkenalkan pohon keputusan (decision tree) dan hutan keputusan (decision forest).
Hutan keputusan adalah kelompok algoritma machine learning yang dapat ditafsirkan yang unggul dengan data tabulasi.
Hutan keputusan dapat melakukan:
Kursus ini menjelaskan cara kerja hutan keputusan tanpa berfokus pada library tertentu.
Namun, selama kursus, kotak teks menampilkan contoh kode yang mengandalkan
library hutan keputusan YDF, tetapi dapat dikonversi menjadi library forest keputusan
lainnya.
Prasyarat
Kursus ini mengasumsikan bahwa Anda telah menyelesaikan kursus berikut atau memiliki pengetahuan
yang setara:
