Новый! Используйте Simple ML для Таблиц, чтобы применять машинное обучение к данным в Google Таблицах. Подробнее
Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.
# 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")

Леса принятия решений TensorFlow ( TF-DF ) — это библиотека для обучения, запуска и интерпретации моделей леса принятия решений (например, случайных лесов, деревьев с градиентным усилением) в TensorFlow. TF-DF поддерживает классификацию, регрессию, ранжирование и поднятие. Он доступен на Linux и Mac. Пользователи Windows могут использовать WSL+Linux.

TF-DF основан на Yggdrasil Decision Forest ( YDF ), библиотеке для обучения и использования лесов решений в C++, JavaScript, CLI и Go. Модели TF-DF совместимы с моделями YDF и наоборот.

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

Документация и ресурсы

Доступны следующие ресурсы:

Сообщество

  • Форум TensorFlow
  • TensorFlow Decision Forest на Github
  • Yggdrasil Decision Forest на Github
  • Содействие

    Вклад в TensorFlow Decision Forests и Yggdrasil Decision Forests приветствуется. Если вы хотите внести свой вклад, обязательно ознакомьтесь с руководством разработчика .