TensorFlow 决策森林来啦！

发布人：Mathieu Guillame-Bert、Sebastian Bruch、Josh Gordon、Jan Pfeifer

我们很高兴开放 TensorFlow 决策森林 (TensorFlow Decision Forests，TF-DF) 源代码。TF-DF 是用于训练、解释并服务于决策森林模型（包括随机森林和梯度提升树）的最先进算法集，可用于生产环境。得益于 TensorFlow 和 Keras 的灵活性和可组合性，您现在可以将这些模型用于分类、回归和任务排序。 

随机森林是一种主流的决策森林模型。在这个动图中，您可以看到决策森林中的树通过对结果投票的方式对示例进行分类

决策森林简介

决策森林是一类机器学习算法，其质量和速度堪比神经网络（并且通常优于神经网络），尤其是在处理表格式数据时。决策森林由多个决策树构成，因此易于使用和理解，并且现在还有大量的可解释性工具和技术供您使用。

TF-DF 为 TensorFlow 用户提供了这类模型以及整套量身定制的工具：

• 初学者会发现开发和解释决策森林模型更为轻松。无需显式列出或预处理输入特征（因为决策森林可以自然处理数字属性和分类属性），无需指定架构（例如，相较于神经网络，无需通过尝试不同的层组合来指定架构），也无需担心模型发散。训练好模型后，您就可以直接对其进行绘制，或使用易于解释的统计数据对其分析。

• 高级用户将从推理速度非常快的模型中受益（在多数情况下每个示例的推理时间为亚微秒级）。同时，该库为模型实验和研究提供了大量的可组合性。特别是，用户可以很轻松地将神经网络和决策森林结合起来。

如果您之前通过其他库使用决策森林，那么可以在此了解一下 TF-DF 的部分功能：

• 它提供一系列最先进的决策森林训练和应用算法，例如随机森林、梯度提升树、CART、(Lambda)MART、DART、极端随机树、Greedy Global Growth、Oblique Tree、单边采样、分类集学习、随机分类学习、包外评估、特征重要性以及结构特征重要性。

• 可连通丰富的 TensorFlow 生态系统，使您能够更轻松地将基于决策树的模型与各种 TensorFlow 工具、库以及 TFX 等平台集成。

• 如果你还没有接触过神经网络，则可以通过决策森林轻松入门 TensorFlow，并以此为起点，继续深入探索神经网络。

代码示例

详尽的示例胜过千言万语。因此，在本文中，我们将为您展示使用 TensorFlow 决策森林训