yggdrasil decision forests

YDF (YGGDRasil Decision Forests) ist eine Bibliothek, um zufällige Wald-, Gradienten -Modelle zu trainieren, zu bewerten, zu interpretieren und zu dienen.

Weitere Informationen zu YDF finden Sie in der Dokumentation.

Installation

Um YDF von PYPI zu installieren, rennen Sie:

pip install ydf -U

Nutzungsbeispiel

 import ydf
import pandas as pd

# Load dataset with Pandas
ds_path = "https://raw.githubusercontent.com/google/yggdrasil-decision-forests/main/yggdrasil_decision_forests/test_data/dataset/"
train_ds = pd . read_csv ( ds_path + "adult_train.csv" )
test_ds = pd . read_csv ( ds_path + "adult_test.csv" )

# Train a Gradient Boosted Trees model
model = ydf . GradientBoostedTreesLearner ( label = "income" ). train ( train_ds )

# Look at a model (input features, training logs, structure, etc.)
model . describe ()

# Evaluate a model (e.g. roc, accuracy, confusion matrix, confidence intervals)
model . evaluate ( test_ds )

# Generate predictions
model . predict ( test_ds )

# Analyse a model (e.g. partial dependence plot, variable importance)
model . analyze ( test_ds )

# Benchmark the inference speed of a model
model . benchmark ( test_ds )

# Save the model
model . save ( "/tmp/my_model" )

Beispiel mit der C ++ - API.

 auto dataset_path = " csv:train.csv " ;

// List columns in training dataset
DataSpecification spec;
CreateDataSpec (dataset_path, false , {}, &spec);

// Create a training configuration
TrainingConfig train_config;
train_config.set_learner( " RANDOM_FOREST " );
train_config.set_task(Task::CLASSIFICATION);
train_config.set_label( " my_label " );

// Train model
std::unique_ptr<AbstractLearner> learner;
GetLearner (train_config, &learner);
auto model = learner-> Train (dataset_path, spec);

// Export model
SaveModel ( " my_model " , model.get());

(basierend auf Beispielen/Anfänger.cc)

Nächste Schritte

Überprüfen Sie das Tutorial für das Erste Schritte?

Zitat

Wenn Sie in einer wissenschaftlichen Veröffentlichung Entscheidungswälder in den USA yggdrasil -Wäldern angeben, zitieren Sie bitte das folgende Papier: YGGDRasil -Entscheidungswälder: Eine schnelle und erweiterbare Entscheidungswälderbibliothek.

Bibtex

 @inproceedings{GBBSP23,
  author       = {Mathieu Guillame{-}Bert and
                  Sebastian Bruch and
                  Richard Stotz and
                  Jan Pfeifer},
  title        = {Yggdrasil Decision Forests: {A} Fast and Extensible Decision Forests
                  Library},
  booktitle    = {Proceedings of the 29th {ACM} {SIGKDD} Conference on Knowledge Discovery
                  and Data Mining, {KDD} 2023, Long Beach, CA, USA, August 6-10, 2023},
  pages        = {4068--4077},
  year         = {2023},
  url          = {https://doi.org/10.1145/3580305.3599933},
  doi          = {10.1145/3580305.3599933},
}

Roh

YGGDRASIL-Entscheidungswälder: Eine schnelle und erweiterbare Entscheidungswälderbibliothek, Guillame-Bert et al., KDD 2023: 4068-4077. doi: 10.1145/3580305.3599933

Kontakt

Sie können sich unter Entscheidungsträger unter Entscheidungsträ[email protected] wenden.

Credits

YGGDRASIL -Entscheidungswälder und Tensorflow -Entscheidungswälder werden entwickelt von:

• Mathieu Guillame-Bert (GBM bei Google Dot Com)
• Jan Pfeifer (Janpf bei Google Dot com)
• Sebastian Bruch (Sebastian bei Bruch Dot io)
• Richard Stotz (Richardstotz bei Google Dot Com)
• Arvind Srinivasan (ARVND bei Google Dot com)

Beitragen

Beiträge zu Tensorflow -Entscheidungswäldern und Yggdrasil -Entscheidungswäldern sind willkommen. Wenn Sie einen Beitrag leisten möchten, überprüfen Sie die Beitragsrichtlinien.

Lizenz

Apache -Lizenz 2.0