Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Le foreste di alberi decisionali offrono i seguenti vantaggi:
Sono più facili da configurare rispetto alle reti neurali. Le foreste decisionali hanno meno iperparametri. Inoltre, gli iperparametri delle foreste decisionali forniscono valori predefiniti efficaci.
Gestiscono in modo nativo le caratteristiche numeriche, categoriche e mancanti. Ciò significa che puoi scrivere molto meno codice di preelaborazione rispetto all'utilizzo di una rete neurale, risparmiando tempo e riducendo le fonti di errore.
Spesso forniscono buoni risultati senza bisogno di alcuna configurazione, sono resistenti ai dati con rumore e hanno proprietà interpretabili.
Effettuano l'inferenza e l'addestramento su set di dati di piccole dimensioni (< 1 milione di esempi) molto più velocemente rispetto alle reti neurali.
Le foreste di alberi decisionali producono ottimi risultati nelle competizioni di machine learning e sono ampiamente utilizzate in molte attività industriali.
Questo corso introduce gli alberi decisionali e le foreste decisionali.
Le foreste di alberi decisionali sono una famiglia di algoritmi di machine learning interpretabili che eccellono con i dati tabulari.
Le foreste di alberi decisionali possono eseguire:
Questo corso spiega come funzionano le foreste di decisione senza concentrarsi su librerie specifiche.
Tuttavia, durante il corso, le caselle di testo mostrano esempi di codice che si basano sulla libreria foresta di decisione YDF, ma possono essere convertiti in altre librerie foresta di decisione.
Prerequisiti
Questo corso presuppone che tu abbia completato i seguenti corsi o abbia conoscenze equivalenti:
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Mancano le informazioni di cui ho bisogno","missingTheInformationINeed","thumb-down"],["Troppo complicato/troppi passaggi","tooComplicatedTooManySteps","thumb-down"],["Obsoleti","outOfDate","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Problema relativo a esempi/codice","samplesCodeIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2025-02-25 UTC."],[[["\u003cp\u003eDecision forests are interpretable machine learning algorithms that work well with tabular data for tasks like classification, regression, and ranking.\u003c/p\u003e\n"],["\u003cp\u003eDecision forests offer advantages such as easy configuration, native handling of various data types, robustness to noise, and fast inference/training on smaller datasets.\u003c/p\u003e\n"],["\u003cp\u003eThis course provides a comprehensive understanding of decision trees and forests, including how they make predictions, different types, performance considerations, and effective usage strategies.\u003c/p\u003e\n"],["\u003cp\u003eThe course uses YDF library code examples to demonstrate concepts, but the knowledge is transferable to other decision forest libraries.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge and familiarity with data preprocessing are prerequisites for this course.\u003c/p\u003e\n"]]],[],null,["# Introduction\n\n\u003cbr /\u003e\n\n| **Estimated Course Time:** 2.5 hours\n\nDecision forests provide the following benefits:\n\n- They are **easier to configure** than neural networks. Decision forests have **fewer hyperparameters** ; furthermore, the hyperparameters in decision forests provide **good defaults**.\n- They **natively handle** numeric, categorical, and missing features. This means you can write far less preprocessing code than when using a neural network, saving you time and reducing sources for error.\n- They often give **good results out of the box**, are robust to noisy data, and have interpretable properties.\n- They infer and train on small datasets (\\\u003c 1M examples) **much faster** than neural networks.\n\nDecision forests produce great results in machine learning competitions, and\nare heavily used in many industrial tasks.\n\nThis course introduces decision trees and decision forests.\nDecision forests are a family of\n[interpretable](/machine-learning/glossary#interpretability) machine learning\nalgorithms that excel with tabular data.\nDecision forests can perform:\n\n- [Classification](https://developers.google.com/machine-learning/glossary/#classification-model)\n- [Regression](https://developers.google.com/machine-learning/glossary/#regression-model)\n- [Ranking](https://developers.google.com/machine-learning/glossary/#ranking)\n- [Anomaly detection](https://developers.google.com/machine-learning/glossary#anomaly-detection)\n- [Uplift modeling](https://developers.google.com/machine-learning/glossary/#uplift-modeling).\n\n| **Learning Objectives:**\n|\n| - Explain decision trees and decision forests.\n| - Determine how decision trees and decision forests make predictions.\n| - Understand how different types of decision forests, such as random forests and gradient boosted trees.\n| - Explain when decision forests perform well, and what their limitations are.\n- Develop a sense of how to use decision forests effectively. \nYDF Code\nThis course explains how decision forests work without focusing on any specific libraries. However, throughout the course, text boxes showcase code examples that rely on the [YDF](https://ydf.readthedocs.io) decision forest library, but can be be converted to other decision forest libraries.\n\nPrerequisites\n-------------\n\nThis course assumes you have completed the following courses or have equivalent\nknowledge:\n\n- [Machine Learning Crash Course](/machine-learning/crash-course)\n- [Machine Learning Problem Framing](/machine-learning/problem-framing)\n- [Data Prep and Feature Engineering](/machine-learning/data-prep)\n\n*Happy Learning!*"]]
