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 ) è una raccolta di algoritmi all'avanguardia per l'addestramento, il servizio e l'interpretazione dei modelli Decision Forest . La libreria è una raccolta di modelli Keras e supporta la classificazione, la regressione e la classificazione.

TF-DF è un wrapper per le librerie C++ Yggdrasil Decision Forest . I modelli addestrati con TF-DF sono compatibili con i modelli di Yggdrasil Decision Forests e viceversa.

Sfortunatamente TF-DF non è ancora disponibile per Mac (#16) o Windows (#3) , ci stiamo lavorando.

Parole chiave: Decision Forests, TensorFlow, Random Forest, Gradient Boosted Trees, CART, interpretazione del modello.

Documentazione e risorse

Sono disponibili le seguenti risorse:

Comunità

  • Discuti su discuss.tensorflow.org
  • Localizzatore di problemi
  • TensorFlow Decision Forest su Github
  • Yggdrasil Decision Forest su Github
  • Altri esempi
  • Contribuire

    I contributi a TensorFlow Decision Forests e Yggdrasil Decision Forests sono i benvenuti. Se vuoi contribuire, assicurati di leggere il manuale dello sviluppatore .