डिसीज़न फ़ॉरेस्ट से ये फ़ायदे मिलते हैं:
- नेटवर्क को न्यूरल नेटवर्क की तुलना में कॉन्फ़िगर करना आसान होता है. डिसीज़न फ़ॉरेस्ट में हाइपरपैरामीटर कम होते हैं. इसके अलावा, डिसीज़न फ़ॉरेस्ट में हाइपरपैरामीटर डिफ़ॉल्ट तौर पर सही वैल्यू देते हैं.
- ये संख्या, कैटगरी, और मौजूद न होने वाली सुविधाओं को नेटिव तरीके से मैनेज करते हैं. इसका मतलब है कि आपके पास, नेटवर्क का इस्तेमाल करने के मुकाबले, डेटा को प्री-प्रोसेस करने के लिए बहुत कम कोड लिखने का विकल्प है. इससे आपका समय बचता है और गड़बड़ी के सोर्स कम हो जाते हैं.
- ये अक्सर बेहतर नतीजे देते हैं. साथ ही, ये ग़ैर-ज़रूरी डेटा के लिए भी काम के होते हैं और इनमें ऐसी प्रॉपर्टी होती हैं जिनका आसानी से विश्लेषण किया जा सकता है.
- ये मॉडल, न्यूरल नेटवर्क की तुलना में ज़्यादा तेज़ी से छोटे डेटासेट (< 10 लाख उदाहरण) पर अनुमान लगाते हैं और उन्हें ट्रेन करते हैं.
डिसीज़न फ़ॉरेस्ट, मशीन लर्निंग प्रतियोगिताओं में बेहतर नतीजे देते हैं. साथ ही, इनका इस्तेमाल कई औद्योगिक टास्क में ज़्यादा किया जाता है.
इस कोर्स में, डिसीज़न ट्री और डिसीज़न फ़ॉरेस्ट के बारे में बताया गया है. डिसिज़न फ़ॉरेस्ट, समझने लायक मशीन लर्निंग एल्गोरिदम का एक फ़ैमिली है. ये एल्गोरिदम, टेबल वाले डेटा के साथ बेहतर तरीके से काम करते हैं. डिसीज़न फ़ॉरेस्ट ये काम कर सकते हैं:
YDF कोड
इस कोर्स में बताया गया है कि किसी खास लाइब्रेरी पर फ़ोकस किए बिना, डिसीज़न फ़ॉरेस्ट कैसे काम करते हैं.
हालांकि, पूरे कोर्स में टेक्स्ट बॉक्स में ऐसे कोड के उदाहरण दिखाए गए हैं जो YDF डिसीज़न फ़ॉरेस्ट लाइब्रेरी पर निर्भर हैं. हालांकि, इन्हें दूसरी डिसीज़न फ़ॉरेस्ट लाइब्रेरी में बदला जा सकता है.
ज़रूरी शर्तें
इस कोर्स में यह माना गया है कि आपने ये कोर्स पूरे कर लिए हैं या आपके पास इनके बराबर जानकारी है:
सीखते रहें!