google/yggdrasil-decision-forests

A library to train, evaluate, interpret, and productionize decision forest models such as Random Forest and Gradient Boosted Decision Trees.

解决的问题

提供一个快速且可扩展的库，用于处理决策森林模型，简化训练、评估、解释和部署这些模型的过程。

工作原理

该库实现了多种决策森林算法，包括随机森林、梯度提升决策树、CART 和孤立森林。它提供 Python 和 C++ API，支持从加载数据集（例如通过 Pandas）到训练、生成预测以及基准测试推理速度的完整机器学习生命周期。

适用人群

需要高性能库来训练和部署决策森林模型的数据科学家和机器学习工程师。

主要亮点

  • 支持多种模型类型：随机森林、梯度提升树、CART 和孤立森林。
  • 集成模型分析工具，例如部分依赖图和变量重要性。
  • 内置评估指标，包括 ROC、准确率和混淆矩阵。
  • 支持 Python 和 C++ 双 API。

相关

  • 项目
    catboost/catboost

    用于决策树的高性能梯度提升库，提供对类别特征的原生支持和快速的预测速度。

  • 项目
    dmlc/xgboost

    XGBoost 是一个优化的分布式梯度提升库，为大规模数据科学问题提供快速且准确的并行树提升。

  • 项目
    fabsig/GPBoost

    A software library that combines tree-boosting with Gaussian processes and mixed-effects models to improve prediction accuracy for spatial data and high-cardinality categorical variables.

  • 项目
    uxlfoundation/oneDAL

    一个 C++ 和 DPC++ 库，为 CPU、GPU 和分布式系统上的表格数据提供硬件加速的机器学习例程。

  • 项目
    BehaviorTree/BehaviorTree.CPP

    用于创建行为树（Behavior Trees）的 C++ 17 库，用于管理机器人和游戏 AI 中的复杂决策，为有限状态机提供了一种响应式且灵活的替代方案。