5月11〜12日にGoogle I/OでTensorFlowに参加する今すぐ登録

TensorFlow デシジョン フォレスト

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 デシジョン フォレストTF-DF)は、デシジョン フォレスト モデルをトレーニング、サービング、解釈するための高度なアルゴリズムのセットです。このライブラリには、Keras モデルのセットが含まれており、分類、回帰、ランキングに対応しています。

TF-DF は、Yggdrasil デシジョン フォレスト C++ ライブラリのラッパーです。TF-DF を使ってトレーニングしたモデルは、Yggdrasil デシジョン フォレストのモデルと互換性があり、その逆も同様です。

残念ながら、TF-DF はまだ Mac(#16)Windows(#3) では使用できませんが、Google ではこの問題の解決に取り組んでいます。

キーワード: デシジョン フォレスト、TensorFlow、ランダム フォレスト、勾配ブースティング決定木、CART、モデル解釈。

コミュニティ

次のリソースが利用できます。

貢献

TensorFlow デシジョン フォレストと Yggdrasil デシジョン フォレストへの貢献を歓迎します。貢献したい場合は、デベロッパー向けマニュアルをご確認ください。