สามารถใช้เทนเซอร์โฟลว์กับทรีบูสต์เพื่อปรับปรุงประสิทธิภาพการทำนายของชุดข้อมูล ข้อมูลถูกโหลดและประมวลผลล่วงหน้าในลักษณะที่มักจะทำ แต่เมื่อทำการคาดคะเน จะมีการใช้แบบจำลองหลายแบบสำหรับการคาดคะเน และผลลัพธ์ของแบบจำลองเหล่านี้ทั้งหมดจะถูกรวมเข้าด้วยกันเพื่อให้ได้ผลลัพธ์สุดท้าย
อ่านเพิ่มเติม: TensorFlow คืออะไรและ Keras ทำงานร่วมกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร
เราจะใช้ Keras Sequential API ซึ่งมีประโยชน์ในการสร้างแบบจำลองตามลำดับที่ใช้ในการทำงานกับสแต็กเลเยอร์ธรรมดา โดยที่ทุกเลเยอร์มีอินพุตเทนเซอร์หนึ่งตัวและเอาต์พุตเทนเซอร์หนึ่งรายการ
โครงข่ายประสาทเทียมที่มีอย่างน้อยหนึ่งชั้นเรียกว่าชั้น Convolutional เราสามารถใช้ Convolutional Neural Network เพื่อสร้างแบบจำลองการเรียนรู้
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory สร้างขึ้นบน Jupyter Notebook
เราจะมาดูกันว่าโมเดลการเร่งการไล่ระดับสีสามารถฝึกโดยใช้แผนผังการตัดสินใจและ tf.estimator API ได้อย่างไร โมเดล Boosted Trees ถือเป็นแนวทางการเรียนรู้ของเครื่องที่ได้รับความนิยมและมีประสิทธิภาพมากที่สุดสำหรับการถดถอยและการจำแนกประเภท เป็นเทคนิคทั้งมวลที่รวมการทำนายจากแบบจำลองต้นไม้จำนวนมาก (10 หรือ 100 หรือ 1,000) ช่วยให้บรรลุประสิทธิภาพที่น่าประทับใจพร้อมกับการปรับแต่งไฮเปอร์พารามิเตอร์ที่น้อยที่สุด
ตัวอย่าง
import numpy as np
import pandas as pd
from IPython.display import clear_output
from matplotlib import pyplot as plt
print("Load the dataset")
dftrain = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/train.csv')
dfeval = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/eval.csv')
print("Delete the column 'survived'")
y_train = dftrain.pop('survived')
y_eval = dfeval.pop('survived')
import tensorflow as tf
tf.random.set_seed(123) เครดิตโค้ด −https://www.tensorflow.org/tutorials/estimator/boosted_trees
ผลลัพธ์
Load the dataset Delete the column 'survived'
คำอธิบาย
- นำเข้า packgaes ที่จำเป็น
- โหลดชุดข้อมูลแล้ว
- มันถูกอ่านเป็นไฟล์ csv
- ลบคอลัมน์ 'รอด' แล้ว
