ساخت یک طبقه بندی درخت تصمیم در تنتورفلو می تواند در ابتدا به چالش کشیدن به نظر برسد، اما با یک رویکرد گام به گام، قابل مدیریت شدن است.این راهنما شما را از طریق فرآیند راه می دهد، از آماده سازی داده های خود برای آموزش و ارزیابی مدل خود.

درک درختان تصمیم و تنزنورفلو

یک درخت تصمیم یک الگوریتم یادگیری ماشین تحت نظارت است که برای طبقه بندی و وظایف رگرسیون استفاده می شود، داده ها را به شاخه ها بر اساس ارزش های ویژگی تقسیم می کند، تصمیم گیری در هر گره. TensorFlow، که عمدتا برای شبکه های عصبی شناخته می شود، همچنین از ساخت درختان تصمیم گیری با API انعطاف پذیر و کتابخانه هایی مانند جنگل های تصمیم گیری TensorFlow پشتیبانی می کند.

مرحله 1: نصب کتابخانه های ضروری

با نصب جنگل های تصمیم گیری TensorFlow و TensorFlow شروع کنید:

[[ویرایش] [۱]

⁇ bash pip نصب دههاorflow ⁇ de forests ⁇

مرحله ۲: بارگذاری و آماده سازی داده های شما

از داده های داده مانند آیریس یا داده های خود استفاده کنید.اطمینان حاصل کنید که داده ها تمیز هستند، با ویژگی ها و برچسب ها به درستی فرمت شده اند.

[[ویرایش]

python import پاندا به عنوان pd از sklearn.model s Selection Import Train test split # داده های داده شده بار = pd.read csv ('your dataset.cs.csv) # ویژگی های تعریف و برچسب های X = داده ها.drop (نام، محور = داده = داده ها = #x-label x t )

مرحله 3: تبدیل داده ها به فرمت TensorFlow

جنگل های تصمیم گیری TensorFlow نیاز به داده در فرمت خاص دارند.استفاده از سیستم داده های TensorFlow برای تبدیل داده ها.

[[ویرایش]

⁇ python Import as tf # تبدیل به قطار داده های TensorFlow = tf.data.dataset.dataset. از tensor slices (dict (Xtrain)، y train) تست ds = tf.data.dataset.set.set. ten s sorlices(test dict(x)

مرحله 4: ساخت و آموزش مدل درخت تصمیم

از جنگل های تصمیم گیری ده هاورفلو برای ایجاد و آموزش مدل درخت تصمیم گیری خود استفاده کنید.

[[ویرایش]

⁇ python import دههاorflow de Decision forests به عنوان tfdf # مدل اولیه سازی = tfdf.keras.Tree Model (task=task=tfdf.keras.Task.CLASSICATION) مدل Compile.compile (metrics= [accuracy] مدل #traint.

مرحله پنجم: مدل را بررسی کنید

عملکرد مدل خود را با استفاده از مجموعه داده های تست ارزیابی کنید.

[[ویرایش]

ارزیابی python = مدل.count (test ds) چاپ (f'Accuracy: {evaluation[۱:.۲f])

نتیجه گیری

ساخت یک طبقه بندی درخت تصمیم در تنسورفلو شامل آماده سازی داده ها، ایجاد مدل، آموزش و ارزیابی با این مراحل، شما می توانید درختان تصمیم را برای کارهای طبقه بندی مختلف به طور موثر پیاده سازی کنید.