TensorFlow-Entscheidungswälder

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 Entscheidung Wald (TF-DF) ist eine Sammlung von state-of-the-art Algorithmen für die Ausbildung, Servieren und Interpretation von Modellen Wald Entscheidung. Die Bibliothek ist eine Sammlung von Keras Modellen und Stützen Klassifikation, Regression und Ranking.

TF-DF ist ein Wrapper um die Yggdrasil Entscheidung Wald C ++ Bibliotheken. Mit TF-DF trainierte Modelle sind mit den Modellen von Yggdrasil Decision Forests kompatibel und umgekehrt.

Leider noch nicht TF-DF ist verfügbar für Mac (# 16) oder Fenster (# 3) , wir arbeiten daran.

Schlüsselwörter: Decision Forests, TensorFlow, Random Forest, Gradient Boosted Trees, CART, Modellinterpretation.

Gemeinschaft

Folgende Ressourcen stehen zur Verfügung:

Beitragen

Beiträge zu TensorFlow Decision Forests und Yggdrasil Decision Forests sind willkommen. Wenn Sie dazu beitragen möchten, stellen Sie sicher , dass die Bewertung Entwickler Handbuch .