TensorFlow Decision Forests
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 Решение Лес (TF-DF) представляет собой совокупность внедренных алгоритмов обучения, сервировку и интерпретацию решения лесных моделей. Библиотека представляет собой набор Keras моделей и поддерживает классификацию, регрессию и ранжирование.
TF-DF является оберткой Решение Yggdrasil Forest C ++ библиотеки. Модели тренировали с TF-DF являются совместимыми с Иггдрасиль Decision лесов модели, и наоборот.
К сожалению , TF-DF пока не доступен для Mac (# 16) или Windows (# 3) , мы работаем над этим.
Ключевые слова: леса решений, TensorFlow, случайный лес, деревья с градиентным усилением, CART, интерпретация модели.
Сообщество
Доступны следующие ресурсы:
- Обсудить на Discussion.tensorflow.org
- Система отслеживания проблем
- Лес решений TensorFlow на Github
- Yggdrasil Decision Forest на Github
Содействие
Приветствуется вклад в TensorFlow Decision Forests и Yggdrasil Decision Forests. Если вы хотите внести свой вклад, убедитесь , что для рассмотрения руководства разработчика .