簡介

預估課程時間：2.5 小時

決策樹提供以下優點：

• 相較於類神經網路，容器設定較容易。決策樹的超參數較少；更進一步，決策樹中的超參數提供良好的預設值。
• 而是原生處理數字、類別和缺少的特徵。這表示相較於使用類神經網路，您撰寫的預先處理程式碼要少很多，可節省時間並減少出錯的來源。
• 這些方法通常能立即提供良好的結果、能用來處理雜訊過多的資料，並具備可解釋的屬性。
• 與類神經網路相比，這類模型推論小型資料集 (樣本不到 100 萬個)，速度相當快。

決策樹可為機器學習的競爭帶來絕佳成果，且在許多工業工作中大量使用。

本課程介紹決策樹和決策樹。決策樹是一組「可解釋」的機器學習演算法，可搭配表格資料使用。決策樹可執行以下動作：

• 分類
• 迴歸
• 排名
• 異常偵測
• 升幅模擬。

學習目標：

• 說明決策樹和決策樹。
• 判斷決策樹和決策樹如何進行預測。
• 瞭解不同類型的決策樹系，例如隨機森林和梯度強化樹。
• 解釋決策樹成效良好的時機及限制。
• 瞭解如何有效運用決策樹。

YDF 代碼

本課程說明決策樹的運作方式，而不必關注任何特定程式庫。不過，整個課程中，文字方塊示範的程式碼範例是以 YDF 決策樹系程式庫，但可以轉換為其他決策樹系程式庫。

必要條件

本課程假設您已完成以下課程，或已具備同等知識：

• 機器學習密集課程
• 機器學習問題界定
• 資料準備和特徵工程

祝您學習愉快！