簡介

預估課程時間：2.5 小時

決策樹具備下列優點：

• 相較於神經網路，決策樹有較少的超參數；此外，決策樹中的超參數提供良好的預設值。
• 原生處理數值、類別和缺少的特徵。這表示您可以編寫的預處理程式碼遠少於使用神經網路時，因此可節省時間並減少錯誤來源。
• 這些模型通常可直接產生良好結果，對雜訊資料具有抗噪能力，且具有可解讀的屬性。
• 相較於神經網路，這種方法在小型資料集 (< 100 萬個例項) 上進行推論和訓練的速度更快。

決策樹在機器學習競賽中可發揮良好的效果，並廣泛用於許多產業工作。

本課程將介紹決策樹和決策森林。決策樹是一組可解讀的機器學習演算法，可用於處理表格資料。決策樹可執行以下操作：

• 分類
• 迴歸
• 排名
• 異常偵測
• 升幅模擬。

學習目標：

• 解釋決策樹和決策森林。
• 決定決策樹和決策森林的預測方式。
• 瞭解不同類型的決策樹，例如隨機森林和梯度提升樹。
• 說明決策樹何時能發揮良好成效，以及其限制為何。
• 瞭解如何有效運用決策樹。

YDF 代碼

本課程將說明決策樹的運作方式，但不會著重於任何特定程式庫。不過，在課程期間，文字方塊會展示依賴 YDF 決策樹資料庫的程式碼範例，但可以轉換為其他決策樹資料庫。

先備知識

本課程假設您已完成下列課程或具備同等知識：

• 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

學習愉快！