Помогают защитить Большой Барьерный Риф с TensorFlow на Kaggle Присоединяйтесь вызов

TensorFlow Decision Forests

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 Решение Лес (TF-DF) представляет собой совокупность внедренных алгоритмов обучения, сервировку и интерпретацию решения лесных моделей. Библиотека представляет собой набор Keras моделей и поддерживает классификацию, регрессию и ранжирование.

TF-DF является оберткой Решение Yggdrasil Forest C ++ библиотеки. Модели, обученные с помощью TF-DF, совместимы с моделями Yggdrasil Decision Forests, и наоборот.

К сожалению , TF-DF пока не доступен для Mac (# 16) или Windows (# 3) , мы работаем над этим.

Ключевые слова: леса решений, TensorFlow, случайный лес, деревья с градиентным усилением, CART, интерпретация модели.

Сообщество

Доступны следующие ресурсы:

Содействие

Приветствуется вклад в TensorFlow Decision Forests и Yggdrasil Decision Forests. Если вы хотите внести свой вклад, убедитесь , что для рассмотрения руководства разработчика .