TensorFlow Decision Forests，是一个基于 Keras 的决策森林 TensorFlow 开源软件库。它旨在于将一些最前沿的决策森林算法（例如，随机森林、GBDT、LambdaMart）以一种易用的方式引入 TensorFlow 中。长时间以来，决策森林一直是建模表格类数据的最前沿机器学习算法。在许多机器学习应用（比如学习排名）中，决策森林都可提供卓越的性能。
分类和决策森林
什么是分类？
- 一个表格数据集
- 其中包含样本（行）和属性（列）
- 一些属性上类别属性，一些属性是数字属性
分类：利用模型通过其他属性预测类别属性。
分类为什么很重要？
- 可以获取不易获取或者成本高昂的数据
什么是模型？
模型：选择（或训练）能够最好的匹配可用观察结果（称为“有标签样本”）的模型。
决策树
- 一种常用模型
- 在树状结构中以分层形式组织而成的一组问题（用绿色标示，也称为决策节点）
- 叶节点（用黄色标示）包含预测结果
- 通常情况下，问题针对的都是单个属性（轴对齐），并且答案都是二元化的（二叉树）
决策树学习
采用贪心策略，一个问题一个问题的生长，以将局部评分函数（例如信息增益、均方误差）最大化。
不断递归，得到一颗决策树：
决策森林
- 对多个决策树的预测结果求和
- 通常包含数百个或数千个决策树
- 相比单个决策树，预测结果往往更准确（但速度更慢）
- 可采用不同算法来一起训练决策树（例如随机森林、梯度提升树、AdaBoost）
TensorFlow决策森林库
- TensorFlow提供一系列决策森林算法
- 易于使用
- 可用使用TensorFlow工具箱
- 支持进阶设置，例如决策森林+神经网络的组合
TF-DF的核心代码： 模型可视化：
summary显示模型的各种信息：
和tensorflow其他工具一起使用：
何时使用决策森林？
- 处理表格数据
- 简易性：无需过多调整
- 可解读性
- 速度：包括训练速度和推断速度