Введение

Этот курс знакомит с деревьями решений и лесами решений .

Леса принятия решений — это семейство моделей и алгоритмов машинного обучения с учителем. Они обеспечивают следующие преимущества:

  • Их проще настроить, чем нейронные сети. В лесах решений меньше гиперпараметров ; кроме того, гиперпараметры в лесах решений обеспечивают хорошие значения по умолчанию .
  • Они изначально обрабатывают числовые, категориальные и отсутствующие функции. Это означает, что вы можете написать гораздо меньше кода предварительной обработки, чем при использовании нейронной сети, что сэкономит ваше время и уменьшит количество источников ошибок.
  • Они часто дают хорошие результаты сразу после установки , устойчивы к зашумленным данным и обладают интерпретируемыми свойствами.
  • Они делают выводы и обучаются на небольших наборах данных (<1 млн примеров) намного быстрее, чем нейронные сети.

Леса принятия решений дают отличные результаты в соревнованиях по машинному обучению и активно используются во многих промышленных задачах. Леса решений практичны, эффективны и интерпретируемы . Вы можете использовать леса решений для многих задач контролируемого обучения, в том числе:

Материал в этом курсе является общим для лесов решений и не зависит от какой-либо конкретной библиотеки. Однако оранжевые прямоугольники, подобные этому, содержат примеры кода, в которых используется библиотека TensorFlow Decision Forests (TF-DF) . Хотя эти примеры специфичны для TF-DF, их часто легко преобразовать в другие библиотеки леса решений.

Предпосылки

Этот курс предполагает, что вы прошли следующие курсы или обладаете эквивалентными знаниями:

Счастливого обучения!