# 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")
Lasy decyzyjne TensorFlow ( TF-DF ) to biblioteka do trenowania, uruchamiania i interpretowania modeli lasów decyzyjnych (np. lasy losowe, drzewa wzmocnione gradientem) w TensorFlow. TF-DF obsługuje klasyfikację, regresję, ranking i podnoszenie. Jest dostępny na Linuksa i Maca. Użytkownicy systemu Windows mogą korzystać z WSL+Linux.
TF-DF jest zasilany przez Yggdrasil Decision Forest ( YDF ), bibliotekę do trenowania i używania lasów decyzyjnych w językach C++, JavaScript, CLI i Go. Modele TF-DF są kompatybilne z modelami YDF i odwrotnie.
Słowa kluczowe: Lasy decyzyjne, TensorFlow, Losowy las, Gradient Boosted Trees, CART, interpretacja modelu.
Dokumentacja i zasoby
Dostępne są następujące zasoby:
- Przewodniki i samouczki
- Odniesienie do interfejsu API
- Dokumentacja YDF (dotyczy również TF-DF)
- Zajęcia Google Developers dotyczące lasów decyzyjnych
- Użyj Simple ML for Sheets, aby trenować modele w swoich Arkuszach Google
Wspólnota
Przyczynianie się
Wkład w lasy decyzyjne TensorFlow i lasy decyzyjne Yggdrasil są mile widziane. Jeśli chcesz wnieść swój wkład, przejrzyj podręcznik programisty .