google/yggdrasil-decision-forests

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

解決的問題

提供一個快速且可擴展的函式庫，用於處理決策森林模型，簡化訓練、評估、解譯與部署這些模型的流程。

工作原理

此函式庫實作了多種決策森林演算法，包括隨機森林、梯度提升決策樹、CART 與隔離森林。它提供 Python 與 C++ API，支援從載入資料集（例如透過 Pandas）到訓練、產生預測，以及基準測試推論速度的完整機器學習生命週期。

適用對象

需要高效率函式庫來訓練與部署決策森林模型的資料科學家與機器學習工程師。

主要特色

  • 支援多種模型類型：隨機森林、梯度提升樹、CART 與隔離森林。
  • 結合模型分析工具，例如部分依賴圖與變數重要性。
  • 內建評估指標，包括 ROC、準確率與混淆矩陣。
  • 支援 Python 與 C++ 雙 API。

相關

  • 專案
    catboost/catboost

    用於決策樹的高性能梯度提升庫，提供對類別特徵的原生支持與快速的預測速度。

  • 專案
    dmlc/xgboost

    XGBoost 是一個優化的分散式梯度提升程式庫，為大規模資料科學問題提供快速且準確的平行樹提升。

  • 專案
    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.

  • 專案
    uxlfoundation/oneDAL

    一個 C++ 和 DPC++ 函式庫，為 CPU、GPU 和分散式系統上的表格數據提供硬體加速的機器學習例程。

  • 專案
    BehaviorTree/BehaviorTree.CPP

    用於建立行為樹（Behavior Trees）的 C++ 17 函式庫，用於管理機器人與遊戲 AI 中的複雜決策，為有限狀態機提供了一種反應式且靈活的替代方案。