# 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 ) est une bibliothèque permettant d'entraîner, d'exécuter et d'interpréter des modèles de forêts de décision (par exemple, Random Forests, Gradient Boosted Trees) dans TensorFlow. TF-DF prend en charge la classification, la régression, le classement et l'élévation. Il est disponible sur Linux et Mac. Les utilisateurs de Windows peuvent utiliser WSL+Linux.
TF-DF est optimisé par Yggdrasil Decision Forest ( YDF ), une bibliothèque permettant de former et d'utiliser des forêts de décision en c++, JavaScript, CLI et Go. Les modèles TF-DF sont compatibles avec les modèles YDF, et vice versa.
Mots-clés : Forêts de décision, TensorFlow, Random Forest, Gradient Boosted Trees, CART, interprétation du modèle.
Documentation et ressources
Les ressources suivantes sont disponibles :
- Guides et tutoriels
- Référence API
- Documentation YDF (également applicable à TF-DF)
- Cours Google Developers sur les forêts de décision
- Utilisez Simple ML for Sheets pour former des modèles dans vos feuilles de calcul Google
Communauté
Contribuant
Les contributions aux forêts de décision TensorFlow et aux forêts de décision Yggdrasil sont les bienvenues. Si vous souhaitez contribuer, assurez-vous de consulter le manuel du développeur .