ดาวน์โหลด yggdrasil decision forests - yggdrasil decision forests Source Source Download

yggdrasil decision forests

ซี/ซี++

Python API 0.9.0

ดาวน์โหลด

YDF (Yggdrasil Decision Forests) เป็นห้องสมุดที่จะฝึกอบรมประเมินตีความและให้บริการป่าแบบสุ่มต้นไม้การตัดสินใจที่เพิ่มการไล่ระดับสีรถเข็นและแบบจำลองป่าแยก

ดูเอกสารสำหรับข้อมูลเพิ่มเติมเกี่ยวกับ YDF

การติดตั้ง

ในการติดตั้ง YDF จาก PYPI ให้เรียกใช้:

pip install ydf -U

ตัวอย่างการใช้งาน

 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" )

ตัวอย่างด้วย 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());

(ขึ้นอยู่กับตัวอย่าง/entherner.cc)

ขั้นตอนต่อไป

ตรวจสอบการสอนการเริ่มต้นใช้งานหรือไม่..

การอ้างอิง

หากคุณเป็นป่าการตัดสินใจของเราในสิ่งพิมพ์ทางวิทยาศาสตร์โปรดอ้างถึงบทความต่อไปนี้: Yggdrasil การตัดสินใจป่าไม้: ห้องสมุดป่าการตัดสินใจที่รวดเร็วและขยายได้

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},
}

ดิบ

Yggdrasil การตัดสินใจป่าไม้: ห้องสมุดการตัดสินใจที่รวดเร็วและขยายได้, Guillame-Bert et al., KDD 2023: 4068-4077 ดอย: 10.1145/3580305.3599933