با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.
# 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 تقویت شده 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:

انجمن

  • انجمن تنسورفلو
  • TensorFlow Decision Forest در Github
  • جنگل تصمیم Yggdrasil در Github
  • کمک کردن

    مشارکت در جنگل‌های تصمیم‌گیری TensorFlow و جنگل‌های تصمیم‌گیری Yggdrasil استقبال می‌شود. اگر می‌خواهید مشارکت کنید، حتماً راهنمای برنامه‌نویس را مرور کنید.