# 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 .