Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Los bosques de decisiones proporcionan los siguientes beneficios:
Son más fáciles de configurar que las redes neuronales. Los bosques de decisiones tienen menos hiperparámetros, y estos proporcionan buenos valores predeterminados.
Controlan de forma nativa los atributos numéricos, categóricos y faltantes. Esto significa que puedes escribir mucho menos código de procesamiento previo que cuando se usa una red neuronal, lo que te ahorra tiempo y reduce las fuentes de errores.
A menudo, proporcionan buenos resultados listos para usar, son resistentes a los datos ruidosos y tienen propiedades interpretables.
Infieren y entrenan con conjuntos de datos pequeños (menos de 1 millón de ejemplos) mucho más rápido que las redes neuronales.
Los bosques de decisiones producen excelentes resultados en las competencias de aprendizaje automático y se usan mucho en muchas tareas industriales.
En este curso, se presentan árboles de decisión y bosques de decisión.
Los bosques de decisión son una familia de algoritmos de aprendizaje automático interpretables que se destacan con datos tabulares.
Los bosques de decisión pueden realizar lo siguiente:
En este curso, se explica cómo funcionan los bosques de decisiones sin enfocarte en ninguna biblioteca específica.
Sin embargo, a lo largo del curso, los cuadros de texto muestran ejemplos de código que se basan en la biblioteca del bosque de decisión de YDF, pero que se pueden convertir en otras bibliotecas de bosques de decisión.
Requisitos previos
En este curso, se da por sentado que ya completaste los siguientes cursos o que tienes conocimientos equivalentes: