TensorFlow में एक निर्णय वृक्ष वर्गीकृत का निर्माण पहले से ही चुनौतीपूर्ण लग सकता है, लेकिन एक कदम-दर-चरण दृष्टिकोण के साथ, यह प्रबंधनीय हो जाता है। यह गाइड आपको प्रक्रिया के माध्यम से चलाएगा, अपने डेटा को अपने मॉडल को प्रशिक्षण और मूल्यांकन करने के लिए तैयार करेगा।

निर्णय पेड़ और सेंसरफ्लो को समझना

एक निर्णय पेड़ एक पर्यवेक्षकीय मशीन लर्निंग एल्गोरिदम है जिसका उपयोग वर्गीकरण और प्रतिगमन कार्यों के लिए किया जाता है। यह डेटा को फीचर मूल्यों के आधार पर शाखाओं में विभाजित करता है, जिससे प्रत्येक नोड पर निर्णय होता है। TensorFlow, मुख्य रूप से तंत्रिका नेटवर्क के लिए जाना जाता है, इसके लचीले एपीआई और पुस्तकालयों जैसे TensorFlow निर्णय वनों के साथ इमारत के निर्णय पेड़ों का भी समर्थन करता है।

Step 1: आवश्यक पुस्तकालयों को स्थापित करें

TensorFlow और TensorFlow निर्णय वन स्थापित करके शुरू:

Code:

```bash pip install tensorflow tensorflow decision forests `````

चरण 2: लोड और अपने डेटा को तैयार

डेटासेट जैसे आइरिस या अपने डेटा का उपयोग करें। सुनिश्चित करें कि डेटा साफ है, सुविधाओं और लेबल ठीक से स्वरूपित है।

Example:

``python आयात pandas sklearn.model selection आयात train test split # लोड डेटासेट डेटा = pd.read csv('your dataset.csv') # परिभाषित सुविधाओं और लेबल X = data.drop('label', अक्ष=1) y = data['label'] # स्प्लिट डेटा X train, X test, y train, y test = train test split(X, y, test size=0.2, random state=42) ```````

चरण 3: डेटा को सेंसरफ्लो प्रारूप में कनवर्ट करें

सेंसरफ्लो डिसिजन फोरेस्ट को एक विशिष्ट प्रारूप में डेटा की आवश्यकता होती है। डेटा को परिवर्तित करने के लिए TensorFlow डेटासेट API का उपयोग करें।

Example:

```python आयात tensorflow as tf # Convert to TensorFlow dataset train ds = tf.data.Dataset.from tensor slice((Dickt(X train), y train))) test ds = tf.data.Dataset.from tensor slice((Dickt(X test), y test))) ````````

चरण 4: निर्णय ट्री मॉडल का निर्माण और प्रशिक्षण

अपने निर्णय के पेड़ के मॉडल को बनाने और प्रशिक्षित करने के लिए TensorFlow डिसीजन फोरेस्ट का उपयोग करें।

Example:

```python आयात tensorflow decision forests as tfdf # शुरू मॉडल मॉडल = tfdf.keras.TreeModel(task=tfdf.keras.Task.CLASSIFICATION) # Compile model.compile(metrics=["accuracy"]) # train model.fit(train ds) ```````````

स्टेप 5: मॉडल का मूल्यांकन करें

अपने मॉडल के प्रदर्शन का आकलन परीक्षण डेटासेट का उपयोग करके करें।

Example:

```python मूल्यांकन = model.evaluate(test ds) print(f'Accuracy: {evaluation[1]:.2f}') ```````````

निष्कर्ष

TensorFlow में एक निर्णय वृक्ष वर्गीकृत करने वाले के निर्माण में डेटा तैयारी, मॉडल निर्माण, प्रशिक्षण और मूल्यांकन शामिल है। इन चरणों के साथ, आप कुशलतापूर्वक विभिन्न वर्गीकरण कार्यों के लिए निर्णय पेड़ों को लागू कर सकते हैं। अपने मॉडल के प्रदर्शन को बेहतर बनाने के लिए विभिन्न डेटासेट और मापदंडों के साथ प्रयोग करें।