Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Entscheidungsbäume bieten folgende Vorteile:
Sie sind einfacher zu konfigurieren als neuronale Netze. Entscheidungsforste haben weniger Hyperparameter. Außerdem bieten die Hyperparameter in Entscheidungsforsten gute Standardwerte.
Sie unterstützen nativ numerische, kategorische und fehlende Features. Das bedeutet, dass Sie viel weniger Code für die Vorverarbeitung schreiben müssen als bei der Verwendung eines neuronalen Netzes. So sparen Sie Zeit und reduzieren Fehlerquellen.
Sie liefern oft direkt gute Ergebnisse, sind robust gegenüber fehlerhaften Daten und haben auswertbare Eigenschaften.
Sie können mit kleinen Datasets (< 1 Million Beispiele) viel schneller als neuronale Netze inferieren und trainiert werden.
Entscheidungsforste erzielen bei Wettbewerben im Bereich maschinelles Lernen hervorragende Ergebnisse und werden in vielen industriellen Aufgaben häufig eingesetzt.
In diesem Kurs werden Entscheidungsbäume und Entscheidungswälder vorgestellt.
Entscheidungsbäume sind eine Familie von interpretierbaren Algorithmen für maschinelles Lernen, die sich besonders für tabellarische Daten eignen.
Entscheidungsforste können Folgendes tun:
In diesem Kurs wird die Funktionsweise von Entscheidungsbäumen erläutert, ohne sich auf bestimmte Bibliotheken zu konzentrieren.
In den Textfeldern werden jedoch Codebeispiele gezeigt, die auf der Entscheidungsbaumbibliothek YDF basieren, aber in andere Entscheidungsbaumbibliotheken umgewandelt werden können.
Vorbereitung
Für diesen Kurs wird davon ausgegangen, dass Sie die folgenden Kurse abgeschlossen oder entsprechendes Wissen haben:
[null,null,["Zuletzt aktualisiert: 2025-02-25 (UTC)."],[[["\u003cp\u003eDecision forests are interpretable machine learning algorithms that work well with tabular data for tasks like classification, regression, and ranking.\u003c/p\u003e\n"],["\u003cp\u003eDecision forests offer advantages such as easy configuration, native handling of various data types, robustness to noise, and fast inference/training on smaller datasets.\u003c/p\u003e\n"],["\u003cp\u003eThis course provides a comprehensive understanding of decision trees and forests, including how they make predictions, different types, performance considerations, and effective usage strategies.\u003c/p\u003e\n"],["\u003cp\u003eThe course uses YDF library code examples to demonstrate concepts, but the knowledge is transferable to other decision forest libraries.\u003c/p\u003e\n"],["\u003cp\u003eBasic machine learning knowledge and familiarity with data preprocessing are prerequisites for this course.\u003c/p\u003e\n"]]],[],null,["\u003cbr /\u003e\n\n| **Estimated Course Time:** 2.5 hours\n\nDecision forests provide the following benefits:\n\n- They are **easier to configure** than neural networks. Decision forests have **fewer hyperparameters** ; furthermore, the hyperparameters in decision forests provide **good defaults**.\n- They **natively handle** numeric, categorical, and missing features. This means you can write far less preprocessing code than when using a neural network, saving you time and reducing sources for error.\n- They often give **good results out of the box**, are robust to noisy data, and have interpretable properties.\n- They infer and train on small datasets (\\\u003c 1M examples) **much faster** than neural networks.\n\nDecision forests produce great results in machine learning competitions, and\nare heavily used in many industrial tasks.\n\nThis course introduces decision trees and decision forests.\nDecision forests are a family of\n[interpretable](/machine-learning/glossary#interpretability) machine learning\nalgorithms that excel with tabular data.\nDecision forests can perform:\n\n- [Classification](https://developers.google.com/machine-learning/glossary/#classification-model)\n- [Regression](https://developers.google.com/machine-learning/glossary/#regression-model)\n- [Ranking](https://developers.google.com/machine-learning/glossary/#ranking)\n- [Anomaly detection](https://developers.google.com/machine-learning/glossary#anomaly-detection)\n- [Uplift modeling](https://developers.google.com/machine-learning/glossary/#uplift-modeling).\n\n| **Learning Objectives:**\n|\n| - Explain decision trees and decision forests.\n| - Determine how decision trees and decision forests make predictions.\n| - Understand how different types of decision forests, such as random forests and gradient boosted trees.\n| - Explain when decision forests perform well, and what their limitations are.\n- Develop a sense of how to use decision forests effectively. \nYDF Code\nThis course explains how decision forests work without focusing on any specific libraries. However, throughout the course, text boxes showcase code examples that rely on the [YDF](https://ydf.readthedocs.io) decision forest library, but can be be converted to other decision forest libraries.\n\nPrerequisites\n\nThis course assumes you have completed the following courses or have equivalent\nknowledge:\n\n- [Machine Learning Crash Course](/machine-learning/crash-course)\n- [Machine Learning Problem Framing](/machine-learning/problem-framing)\n- [Data Prep and Feature Engineering](/machine-learning/data-prep)\n\n*Happy Learning!*"]]
