# 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 ) کتابخانه ای برای آموزش، اجرا و تفسیر مدل های جنگل تصمیم (به عنوان مثال، جنگل های تصادفی، درختان افزایش یافته گرادیان) در TensorFlow است. TF-DF از طبقه بندی، رگرسیون، رتبه بندی و ارتقاء پشتیبانی می کند. در لینوکس و مک موجود است. کاربران پنجره می توانند از WSL+Linux استفاده کنند.
TF-DF توسط Yggdrasil Decision Forest ( YDF )، کتابخانه ای برای آموزش و استفاده از جنگل های تصمیم در c++، جاوا اسکریپت، CLI، و Go پشتیبانی می شود. مدل های TF-DF با مدل های YDF سازگار هستند و بالعکس.
واژههای کلیدی: جنگلهای تصمیم، جریان تنسور، جنگل تصادفی، درختان تقویتشده با گرادیان، سبد خرید، تفسیر مدل.
اسناد و منابع
منابع زیر در دسترس است:
- راهنماها و آموزش ها
- مرجع API
- اسناد YDF (همچنین برای TF-DF قابل استفاده است)
- کلاس توسعه دهندگان گوگل در مورد جنگل های تصمیم گیری
- از Simple ML for Sheets برای آموزش مدل ها در Google Sheets خود استفاده کنید
انجمن
کمک کردن
از مشارکت در جنگلهای تصمیمگیری تنسورفلو و جنگلهای تصمیمگیری Yggdrasil استقبال میشود. اگر میخواهید مشارکت کنید، حتماً راهنمای برنامهنویس را مرور کنید.