Google I/O to frajda! Nadrobić zaległości w sesjach TensorFlow Zobacz sesje

Lasy decyzyjne TensorFlow

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 zbiór najnowocześniejszych algorytmów do uczenia, obsługi i interpretacji modeli lasów decyzyjnych . Biblioteka jest zbiorem modeli Keras i obsługuje klasyfikację, regresję i ranking.

TF-DF jest nakładką na biblioteki Yggdrasil Decision Forest C++. Modele wytrenowane za pomocą TF-DF są kompatybilne z modelami Yggdrasil Decision Forests i na odwrót.

Niestety TF-DF nie jest jeszcze dostępny dla komputerów Mac (nr 16) lub Windows (nr 3) , pracujemy nad tym.

Słowa kluczowe: Lasy decyzyjne, TensorFlow, Las losowy, Drzewa wzmocnione gradientem, CART, interpretacja modelu.

Dokumentacja i zasoby

Dostępne są następujące zasoby:

Społeczność

  • Porozmawiaj na dyskusja.tensorflow.org
  • Lista problemow
  • Las decyzyjny TensorFlow na Github
  • Las decyzyjny Yggdrasil na Github
  • Więcej przykładów
  • Przyczynianie się

    Mile widziane są wkłady do Lasów Decyzyjnych TensorFlow i Lasów Decyzyjnych Yggdrasil. Jeśli chcesz wnieść swój wkład, zapoznaj się z podręcznikiem programisty .