Weź udział w sympozjum Women in ML 7 grudnia Zarejestruj się teraz
Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
# Install TF-DF
!pip install tensorflow tensorflow_decision_forests

# Load TF-DF
import tensorflow_decision_forests as tfdf
import pandas as pd

# Load a dataset in a Pandas dataframe.
train_df = pd.read_csv("project/train.csv")
test_df = pd.read_csv("project/test.csv")

# Convert the dataset into a TensorFlow dataset.
train_ds = tfdf.keras.pd_dataframe_to_tf_dataset(train_df, label="my_label")
test_ds = tfdf.keras.pd_dataframe_to_tf_dataset(test_df, label="my_label")

# Train a Random Forest model.
model = tfdf.keras.RandomForestModel()
model.fit(train_ds)

# Summary of the model structure.
model.summary()

# Evaluate the model.
model.evaluate(test_ds)

# Export the model to a SavedModel.
model.save("project/model")

TensorFlow Decision Forests ( TF-DF ) to biblioteka do trenowania, uruchamiania i interpretacji modeli lasów decyzyjnych (np. Losowe Lasy, Gradient Boosted Trees) w TensorFlow. TF-DF wspiera klasyfikację, regresję, ranking i uplifting. Jest dostępny w systemach Linux i Mac. Użytkownicy systemu Windows mogą korzystać z WSL+Linux.

TF-DF jest zasilany przez Yggdrasil Decision Forest ( YDF ), bibliotekę do trenowania i używania lasów decyzyjnych w c++, JavaScript, CLI i Go. Modele TF-DF są kompatybilne z modelami YDF i na odwrót.

Słowa kluczowe: Lasy decyzyjne, TensorFlow, Las losowy, Drzewa wzmocnione gradientem, CART, interpretacja modelu.

Dokumentacja i zasoby

Dostępne są następujące zasoby:

Wspólnota

  • Forum TensorFlow
  • Las decyzyjny TensorFlow na Github
  • Las decyzyjny Yggdrasil na Github
  • Przyczynianie się

    Mile widziane są wkłady do Lasów Decyzyjnych TensorFlow i Lasów Decyzyjnych Yggdrasil. Jeśli chcesz wnieść swój wkład, zapoznaj się z podręcznikiem programisty .