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")
A TensorFlow Decision Forests (TF-DF) é um conjunto de algoritmos de última geração para treinar, exibir e interpretar modelos de floresta de decisão. A biblioteca é uma coleção de modelos da Keras, e é compatível com classificação, regressão e ranking.
A TF-DF é um wrapper para as bibliotecas C++ Yggdrasil Decision Forests. Os modelos treinados com a TF-DF são compatíveis com os modelos da Yggdrasil Decision Forests, e vice versa.
A TF-DF ainda não está disponível para Mac (#16) nem Windows (#3). Estamos trabalhando nisso.
Palavras-chave: florestas de decisão, TensorFlow, floresta aleatória, árvores aprimoradas por gradiente, CART, interpretação de modelo.
Comunidade
Os recursos a seguir estão disponíveis:
- Discussão em discuss.tensorflow.org
- Issue Tracker
- TensorFlow Decision Forests no GitHub
- Yggdrasil Decision Forests no GitHub
Contribuições
Aceitamos contribuições para as bibliotecas Yggdrasil Decision Forests e TensorFlow Decision Forests. Se quiser contribuir, consulte o manual do desenvolvedor.