yggdrasil decision forests

YDF (YGGDRASIL DÉCISION FORESSAUX) est une bibliothèque pour former, évaluer, interpréter et servir des forêts aléatoires, des arbres de décision stimulés par le gradient, des modèles de forêt et d'isolement.

Voir la documentation pour plus d'informations sur YDF.

Installation

Pour installer YDF à partir de PYPI, exécutez:

pip install ydf -U

Exemple d'utilisation

 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" )

Exemple avec l'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());

(basé sur des exemples / débutant.cc)

Étapes suivantes

Vérifiez le tutoriel de démarrage ?.

Citation

Si vous, les forêts de la décision de nous yggdrasil, dans une publication scientifique, veuillez citer l'article suivant: Forêts de décision YGGDRASIL: Une bibliothèque de forêts de décision rapide et 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},
}

Brut

Forêts de décision YGGDRASIL: A Fast and Extensible Decision Forests Library, Guillame-Bert et al., KDD 2023: 4068-4077. doi: 10.1145 / 3580305.3599933

Contact

Vous pouvez contacter l'équipe de développement de base à [email protected].

Crédits

Les forêts de décision Yggdrasil et les forêts de décision Tensorflow sont développées par:

• Mathieu Guillame-Bert (GBM à Google Dot Com)
• Jan Pfeifer (Janpf sur Google Dot Com)
• Sebastian Bruch (Sebastian à Bruch Dot io)
• Richard Stotz (Richardstotz sur Google Dot Com)
• Arvind Srinivasan (Arvnd sur Google Dot Com)

Contributif

Les contributions aux forêts de décision Tensorflow et aux forêts de décision YGGDRASIL sont les bienvenues. Si vous souhaitez contribuer, vérifiez les directives de contribution.

Licence

Licence Apache 2.0