简介

预计课程时间：2.5 小时

决策森林具有以下优势：

• 它们比神经网络更容易配置。决策森林的超参数较少；此外，决策森林中的超参数提供了良好的默认值。
• 它们以原生方式处理数字、分类和缺失特征。这意味着与使用神经网络时相比，您需要编写的预处理代码要少得多，从而可以节省时间并减少错误源。
• 它们通常能够提供开箱即用的出色结果，对噪声数据稳健，并且具有可解释的属性。
• 它们基于小型数据集（< 100 万个样本）进行推断和训练，比神经网络快得多。

决策森林在机器学习竞赛中产生了很好的效果，在许多工业任务中被大量使用。

本课程介绍决策树和决策森林。决策森林是一系列可解释的机器学习算法，非常擅长处理表格数据。决策森林可以执行下列操作：

• Classification
• 回归
• 排名
• 异常值检测
• 效果提升模型。

学习目标：

• 解释决策树和决策森林。
• 确定决策树和决策森林如何进行预测。
• 了解不同类型的决策森林，例如随机森林和梯度提升树。
• 解释决策森林在什么情况下效果良好，以及有哪些限制。
• 学习如何有效使用决策森林。

YDF 代码

本课程解释了决策森林的工作原理，而不关注任何特定的库。不过，在整个课程中，文本框都是依赖于 YDF 决策森林库（但可以转换为其他决策森林库）的代码示例。

前提条件

本课程假定您已经完成以下课程或具备同等水平的知识：

• 机器学习速成课程
• 机器学习问题框架
• 数据准备和功能工程

祝您学习愉快！