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 Decision Forests (TF-DF) es una colección de algoritmos de vanguardia para el entrenamiento, la deriva y la interpretación de modelos de bosques de decisión. La biblioteca es una colección de modelos de Keras y admite clasificación, regresión y rangos.
TF-DF es un wrapper alrededor de las bibliotecas C++ Yggdrasil Decision Forest. Los modelos entrenados con TF-DF son compatibles con los modelos Yggdrasil Decision Forest, y viceversa.
Desafortunadamente, TF-DF aún no se encuentra disponible para Mac (#16) o Windows (#3); pero estamos trabajando en ello.
Palabras clave: bosques de decisión, TensorFlow, bosque aleatorio, árboles impulsados por gradientes, árboles de clasificación y regresión (CART), interpretación de modelos.
Comunidad
Los siguientes recursos se encuentran disponibles:
- Debates en discuss.tensorflow.org
- Herramienta de seguimiento de errores
- TensorFlow Decision Forests en GitHub
- Yggdrasil Decision Forest en GitHub
Contribuye
Agradecemos las contribuciones a los bosques de decisión de TensorFlow y de Yggdrasil. Si deseas contribuir, asegúrate de revisar el manual para desarrolladores.