yggdrasil decision forests

yggdrasil decision forests

C/C++

Python API 0.9.0

Descargar

YDF (bosques de decisión de Yggdrasil) es una biblioteca para entrenar, evaluar, interpretar y servir bosques aleatorios, árboles de decisión impulsados por gradiente, carro y modelos de bosques de aislamiento.

Consulte la documentación para obtener más información sobre YDF.

Instalación

Para instalar YDF desde Pypi, ejecute:

pip install ydf -U

Ejemplo de uso

 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" )

Ejemplo con la API C ++.

 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());

(Basado en ejemplos/principiantes. CC)

Siguientes pasos

¿Verifique el tutorial de inicio?

Citación

Si usa bosques de decisión de Yggdrasil en una publicación científica, cita el siguiente documento: Bosques de decisión de Yggdrasil: una biblioteca de bosques de decisión rápida y extensible.

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},
}

Crudo

Bosques de decisión de Yggdrasil: una biblioteca de bosques de decisión rápida y extensible, Guillame-Bert et al., KDD 2023: 4068-4077. doi: 10.1145/3580305.3599933

Contacto

Puede comunicarse con el equipo de desarrollo principal en [email protected].

Créditos

Los bosques de decisión de yggdrasil y los bosques de decisión de flujo de tensor son desarrollados por:

Mathieu Guillame-Bert (GBM en Google Dot Com)
Jan Pfeifer (Janpf en Google Dot Com)
Sebastian Bruch (Sebastian en Bruch Dot Io)
Richard Stotz (Richardstotz en Google Dot Com)
Arvind Srinivasan (Arvnd en Google Dot Com)

Que contribuye

Las contribuciones a los bosques de decisión de TensorFlow y los bosques de decisión de Yggdrasil son bienvenidas. Si desea contribuir, verifique las pautas de contribución.