Tree-Based Machine Learning Methods in SAS Viya

نحوه ساخت درخت تصمیم را با استفاده از SAS کشف کنید Viya!

روش‌های یادگیری ماشینی مبتنی بر درخت در SAS Viya همه چیز را از استفاده از یک درخت گرفته تا روش‌های پیشرفته‌تر بسته‌بندی و تقویت مجموعه را پوشش می‌دهد. این کتاب شامل بحث‌هایی درباره مدل‌های پیش‌بینی با ساختار درختی و روش‌شناسی رشد، هرس، و ارزیابی درختان تصمیم‌گیری، جنگل‌ها و درختان تقویت‌شده با گرادیان است. هر فصل یک نگرانی داده جدید را معرفی می‌کند و سپس شما را با بهینه‌سازی رویکرد مدل‌سازی، اصلاح ویژگی‌ها و تغییر فراپارامترها راهنمایی می‌کند، بنابراین یک مدل یادگیری ماشینی موثر مبتنی بر درخت ایجاد می‌کند. در طول مسیر، شما تجربه ای در مورد درختان تصمیم گیری، جنگل ها و درختان تقویت شده با گرادیان که برای شما کار می کنند به دست خواهید آورد.

در پایان این کتاب، می دانید که چگونه:

• مدل‌های دارای ساختار درختی، از جمله درختان طبقه‌بندی و درخت‌های رگرسیون بسازید.
• مدل‌های مجموعه مبتنی بر درخت، از جمله تقویت جنگل و گرادیان را بسازید.
• جنگل ایزوله اجرا و مدل‌های درخت رگرسیون با گرادیان پواسون و تویدی تقویت شده است.
• پیاده سازی متن باز در SAS و SAS در متن باز.
• از درخت‌های تصمیم برای تجزیه و تحلیل داده‌های اکتشافی، کاهش ابعاد و انتساب مقدار گمشده استفاده کنید.
<. /ul>

Discover how to build decision trees using SAS Viya!

Tree-Based Machine Learning Methods in SAS Viya covers everything from using a single tree to more advanced bagging and boosting ensemble methods. The book includes discussions of tree-structured predictive models and the methodology for growing, pruning, and assessing decision trees, forests, and gradient boosted trees. Each chapter introduces a new data concern and then walks you through tweaking the modeling approach, modifying the properties, and changing the hyperparameters, thus building an effective tree-based machine learning model. Along the way, you will gain experience making decision trees, forests, and gradient boosted trees that work for you.

By the end of this book, you will know how to:

• build tree-structured models, including classification trees and regression trees.
• build tree-based ensemble models, including forest and gradient boosting.
• run isolation forest and Poisson and Tweedy gradient boosted regression tree models.
• implement open source in SAS and SAS in open source.
• use decision trees for exploratory data analysis, dimension reduction, and missing value imputation.