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) est une bibliothèque d'algorithmes de pointe destinés à l'entraînement, à l'inférence et à l'interprétation des modèles de forêt de décision. Cette bibliothèque est une collection de modèles Keras et accepte les opérations de classification, de régression et de classement.
TF-DF est un wrapper pour les bibliothèques C++ d'Yggdrasil Decision Forests. Les modèles entraînés avec TF-DF sont compatibles avec les modèles Yggdrasil Decision Forests, et inversement.
TF-DF n'est pas encore disponible pour Mac (n° 16) ou Windows (n° 3), mais nous y travaillons.
Mots clés : Decision Forests, TensorFlow, forêt d'arbres décisionnels, arbres de décision à boosting de gradient, CART, interprétation des modèles.
Communauté
Les ressources suivantes sont disponibles :
- Discussions sur discuss.tensorflow.org
- Outil de suivi des problèmes
- TensorFlow Decision Forest sur GitHub
- Yggdrasil Decision Forests sur GitHub
Contribution
Toute contribution à TensorFlow Decision Forests et à Yggdrasil Decision Forests est la bienvenue. Si vous souhaitez contribuer, veuillez commencer par consulter le manuel du développeur.