最喜欢随机森林？TensorFlow开源决策森林库TF-DF

# Install TensorFlow Decision Forests !pip install tensorflow_decision_forests # Load TensorFlow Decision Forests import tensorflow_decision_forests as tfdf # Load the training dataset using pandas import pandas train_df = pandas.read_csv("penguins_train.csv") # Convert the pandas dataframe into a TensorFlow dataset train_ds = tfdf.keras.pd_dataframe_to_tf_dataset(train_df, label="species") # Train the model model = tfdf.keras.RandomForestModel() model.fit(train_ds) 

# Load the testing dataset test_df = pandas.read_csv("penguins_test.csv") # Convert it to a TensorFlow dataset test_ds = tfdf.keras.pd_dataframe_to_tf_dataset(test_df, label="species") # Evaluate the model model.compile(metrics=["accuracy"]) print(model.evaluate(test_ds)) # >> 0.979311 # Note: Cross-validation would be more suited on this small dataset. # See also the "Out-of-bag evaluation" below. # Export the model to a TensorFlow SavedModel model.save("project/my_first_model") 

tfdf.model_plotter.plot_model_in_colab(model, tree_idx=0) 

# Print all the available information about the model model.summary() >> Input Features (7): >>   bill_depth_mm >>   bill_length_mm >>   body_mass_g>>    ... >> Variable Importance: >>   1.    "bill_length_mm" 653.000000 ################ >>   ... >> Out-of-bag evaluation: accuracy:0.964602 logloss:0.102378 >> Number of trees: 300 >> Total number of nodes: 4170 >>   ... # Get feature importance as a array model.make_inspector().variable_importances()["MEAN_DECREASE_IN_ACCURACY"] >> [("flipper_length_mm", 0.149), >>      ("bill_length_mm", 0.096), >>      ("bill_depth_mm", 0.025), >>      ("body_mass_g", 0.018), >>      ("island", 0.012)] 

# List all the other available learning algorithms tfdf.keras.get_all_models() >> [tensorflow_decision_forests.keras.RandomForestModel, >>  tensorflow_decision_forests.keras.GradientBoostedTreesModel, >>  tensorflow_decision_forests.keras.CartModel] # Display the hyper-parameters of the Gradient Boosted Trees model  ? tfdf.keras.GradientBoostedTreesModel >> A GBT (Gradient Boosted [Decision] Tree) is a set of shallow decision trees trained sequentially. Each tree is trained to predict and then "correct" for the errors of the previously trained trees (more precisely each tree predicts the gradient of the loss relative to the model output)..     ...    Attributes:      num_trees: num_trees: Maximum number of decision trees. The effective number of trained trees can be smaller if early stopping is enabled. Default: 300.      max_depth: Maximum depth of the tree. `max_depth=1` means that all trees will be roots. Negative values are ignored. Default: 6.      ...      # Create another model with specified hyper-parameters model = tfdf.keras.GradientBoostedTreesModel(     num_trees=500,     growing_strategy="BEST_FIRST_GLOBAL",     max_depth=8,     split_axis="SPARSE_OBLIQUE"     ,) # Evaluate the model model.compile(metrics=["accuracy"]) print(model.evaluate(test_ds))#  >> 0.986851