HDTree：Pythonのカスタム決定ツリー

Pythonで記述されたカスタマイズ可能でインタラクティブな意思決定ツリー構造の紹介。この実装は、データから知識を抽出し、直感をテストし、意思決定ツリーの内部動作の理解を深め、学習問題の代替の原因と結果の関係を調査するのに適しています。これは、より複雑なアルゴリズム、視覚化、レポートの一部として、あらゆる研究目的で、また意思決定ツリーアルゴリズムのアイデアを簡単にテストするためのアクセス可能なプラットフォームとして使用できます。



TL; DR

• HDTreeリポジトリ
• 内部の補完的なノートブックexamples。リポジトリディレクトリはここにあります（ここに表示されるすべての図はメモ帳で生成されます）。自分でイラストを作成できます。

投稿は何ですか？

論文の一部として書いた決定ツリーの別の実装。作業は次のように3つの部分に分かれています。 

• 時間をかけて意思決定ツリーの独自の実装を考え出すことにした理由を説明しようと思います。その機能のいくつかをリストしますが、現在の実装の欠点もリストします。
• HDTreeの基本的な使用法を、いくつかのコードスニペットとその過程で説明されている詳細とともに示します。
• あなたのアイデアでHDTreeをカスタマイズおよび拡張する方法に関するヒント。

動機と背景

私の論文では、決定ツリーを使い始めました。私の現在の目標は、HDTree（さらに言えばHuman Decision Tree）が、そのモデルの実際のユーザーインターフェイスの一部として適用される追加の要素である、人間中心のMLモデルを実装することです。この話はHDTreeのみに関するものですが、他のコンポーネントの詳細を説明する続編を書くことができます。

HDTreeの機能とscikit学習決定ツリーとの比較

当然、私は意思決定ツリーの実装に出くわしましたscikit-learn[4]。実装にsckit-learnは多くの利点があります。

• 高速で合理化されています。
• Cython方言で書かれています。Cythonは、Pythonインタープリターと対話しながら、Cコードにコンパイルします（次に、バイナリにコンパイルします）。
• シンプルで便利。
• MLの多くの人々は、モデルの操作方法を知っていますscikit-learn。そのユーザーベースのおかげでどこでも助けを得る。
• 戦闘条件でテストされています（多くの人が使用しています）。
• それはうまくいきます。
• さまざまなプレトリミングおよびポストトリミング技術[6]をサポートし、多くの機能を提供します（たとえば、最小限のコストとサンプル重量でのトリミング）。
• 基本的なレンダリングをサポートします[7]。

ただし、確かにいくつかの欠点があります。

• かなり珍しいCython方言のために、変更するのは簡単ではありません（上記の利点を参照）。
• 主題分野に関するユーザーの知識を考慮したり、学習プロセスを変更したりする方法はありません。
• 視覚化は非常に最小限です。
• カテゴリ機能はサポートされていません。
• 欠落している値はサポートされていません。
• ノードにアクセスしてツリーをトラバースするためのインターフェイスは煩雑で直感的ではありません。
• 欠落している値はサポートされていません。
• バイナリパーティションのみ（以下を参照）。
• 多変量パーティションはありません（以下を参照）。

HDTreeの機能

HDTreeは、これらの問題のほとんどに対する解決策を提供しますが、scikit-learnの実装の利点の多くを犠牲にします。後でこれらのポイントに戻りますので、次のリスト全体をまだ理解していなくても心配しないでください。

• 学習行動と相互作用します。
• 主要なコンポーネントはモジュール式であり、拡張（インターフェースの実装）はかなり簡単です。
• 純粋なPythonで書かれています（より利用可能）
• 豊富な視覚化を備えています。
• カテゴリデータをサポートします。
• 欠落している値をサポートします。
• 多変量分割をサポートします。
• ツリー構造をナビゲートするための便利なインターフェイスがあります。
• n-aryパーティショニング（2つ以上の子ノード）をサポートします。
• ソリューションのテキスト表現。
• 人間が読めるテキストを印刷することにより、説明可能性を促進します。

マイナス：

• スロー;
• 戦闘ではテストされていません。
• ソフトウェアの品質は平凡です。
• トリミングオプションは多くありません。ただし、実装はいくつかの基本的なパラメータをサポートしています。

多くの欠点はありませんが、重大です。すぐに明確にしましょう。この実装に大きなデータを供給しないでください。あなたは永遠に待つでしょう。実稼働環境では使用しないでください。予期せず破損する可能性があります。あなたは警告されました！上記の問題のいくつかは、時間の経過とともに解決できます。ただし、学習率は低いままである可​​能性があります（推論は有効ですが）。これを修正するには、より良い解決策を考え出す必要があります。ぜひご協力ください。しかし、可能なアプリケーションは何ですか？

• データから知識を抽出する。
• データの直感的なビューを確認します。
• デシジョンツリーの内部動作を理解する。
• あなたの学習問題に関連する代替の因果関係を探ります。
• より複雑なアルゴリズムの一部として使用します。
• レポートの作成と視覚化。
• あらゆる研究目的に使用します。
• デシジョンツリーアルゴリズムのアイデアを簡単にテストするためのアクセス可能なプラットフォームとして。

デシジョンツリー構造

このホワイトペーパーでは意思決定ツリーについて詳しく説明しませんが、主要な構成要素を要約します。これは、後で例を理解するための基礎を提供し、HDTreeの機能のいくつかを強調します。次の図は、HDTreeの実際の出力を示しています（マーカーを除く）。







ノード

• ai: , . . * * . . 3.
• aii: , , , , . , . . , ( , .. ). HDTree.
• aiii：ノードの境界は、このノードを通過するデータポイントの数を示します。境界線が太いほど、ノードを流れるデータが多くなります。
• aiv：このノードを通過するデータポイントを持つ予測ターゲットとラベルのリスト。最も一般的なクラスがマークされています。
• av：オプションで、ビジュアライゼーションは、個々のデータポイントがたどるパスをマークできます（データポイントがツリーを通過するときに行われる決定を示します）。これは、決定ツリーの隅に線でマークされています。

リブ

• bi：矢印は、可能な各分割結果（ai）をその子ノードに接続します。親に関連するデータがエッジの周りを「流れる」ほど、表示されるデータは厚くなります。
• bii：各エッジには、対応する分割結果の人間が読めるテキスト表現があります。

セットとテストの異なる分離はどこから来ていますか？

この時点で、HDTreeがツリーscikit-learn（または他の実装）とどのように異なるのか、なぜ異なる種類のパーティションが必要なのか疑問に思われるかもしれません。これを明確にしてみましょう。多分あなたは特徴空間の直感的な理解を持っています。私たちが扱うすべてのデータは、特定の多次元空間にあります。これは、データ内の特徴の数とタイプによって決まります。タスク分類アルゴリズムであるために今分裂このスペースを非重複領域とに割り当てこれらの領域はクラスです。これを視覚化してみましょう。私たちの脳は高次元をいじくり回すのに苦労しているので、2Dの例と次のような非常に単純な2クラスの問題に固執します。







2つのディメンション（特性/属性）と2つのクラスで構成される非常に単純なデータセットが表示されます。生成されたデータポイントは通常、中央に分散されていました。単なる線形関数である通りは、 クラス1（右下）とクラス2（左上）f(x) = yの2つのクラスを分離します。後でオーバーフィットの影響を説明するために、いくつかのランダムノイズも追加されました（オレンジ色の青いデータポイントおよびその逆）。 HDTreeのような分類アルゴリズムの仕事は（回帰問題にも使用できますが）、各データポイントがどのクラスに属しているかを見つけることです。言い換えれば、次のような座標のペアが与えられます(x, y)(6, 2)..。目標は、この座標がオレンジクラス1またはブルークラス2のどちらに属するかを確認することです。識別モデルは、オブジェクト空間（ここでは（x、y）軸）をそれぞれブルーとオレンジの領域に分割しようとします。

このデータを考えると、データをどのように分類するかについての決定（ルール）は非常に簡単に思えます。合理的な人は「最初に自分で考えなさい」と言うでしょう。

「これは、x> yの場合はクラス1 、それ以外の場合はクラス2です。」y=x点線の関数は完全な分離を作成します。実際、サポートベクターマシン[8]などの最大マージン分類子は同様の解決策を示唆します。しかし、どの決定ツリーが問題を異なる方法で解決するかを見てみましょう。







この画像は、深さが増す標準の決定ツリーがデータポイントをクラス1（オレンジ）またはクラス2（青）として分類する領域を示しています。

決定ツリーは、ステップ関数を使用して線形関数を近似します。

これは、決定ツリーが使用する検証およびパーティション化ルールのタイプによるものです。それらはすべて、軸に平行なハイパープレーンをattribute < thresholdもたらすパターンで機能し ます。 2D空間では、長方形は「カット」されます。 3Dでは、これらは立方体などになります。さらに、決定ツリーは、すでに8つのレベルがある場合、つまりオーバーフィットが発生した場合に、データ内のノイズのモデリングを開始します。ただし、実際の線形関数の適切な近似は見つかりません。これを検証するために、トレーニングデータとテストデータの典型的な2対1の分割を使用して、ツリーの精度を計算しました。テストセットでは93.84％、93.03％、90.81％、トレーニングセットでは94.54％、96.57％、98.81％です。（木の深さ4、8、16の順に並べられます）。テストの精度は低下しますが、トレーニングの精度は向上します。

トレーニング効率の向上とテスト結果の低下は、オーバートレーニングの兆候です。

結果として得られる決定ツリーは、このような単純な関数では非常に複雑です。scikit learnでレンダリングされた最も単純なもの（深さ4）は、すでに次のようになっています。







私はあなたにもっと難しい木を取り除きます。次のセクションでは、HDTreeパッケージを使用してこの問題を解決することから始めます。HDTreeを使用すると、ユーザーはデータに関する知識を適用できます（例の線形分離に関する知識と同じように）。また、問題の代替ソリューションを見つけることもできます。

HDTreeパッケージの適用

このセクションでは、HDTreeの基本を紹介します。APIのいくつかの部分に触れてみます。コメントで質問するか、これについて質問がある場合は私に連絡してください。喜んでお答えし、必要に応じて記事を補足します。HDTreeのインストールは、よりも少し複雑ですpip install hdtree。ごめんなさい。まず、Python3.5以降が必要です。

• 空のディレクトリを作成し、その中にhdtree（your_folder/hdtree）という名前のフォルダを作成します
• リポジトリをhdtreeディレクトリ（別のサブディレクトリではない）にクローンします。
• 必要な依存関係をインストールしますnumpy、pandas、graphviz、sklearn。
• に追加your_folderしPYTHONPATHます。これには、Pythonインポートエンジンのディレクトリが含まれます。通常のPythonパッケージのように使用できます。

または、インストールhdtreeフォルダに追加します。後でインストールファイルを追加できます。執筆時点では、コードはpipリポジトリで利用できません。以下のグラフィックスと出力を生成するすべてのコード（および前に示したもの）はリポジトリにあり、ここに直接投稿されます。兄弟ツリーを使用した線形問題の解決 すぐにコードから始めましょう。site-packagespython

from hdtree import HDTreeClassifier, SmallerThanSplit, EntropyMeasure
hdtree_linear = HDTreeClassifier(allowed_splits=[SmallerThanSplit.build()], # Split rule in form a < b
    information_measure=EntropyMeasure(), # Use Information Gain for the scores attribute_names=['x', 'y' ]) # give the
    attributes some interpretable names # standard sklearn-like interface hdtree_linear.fit(X_street_train,
    y_street_train) # create tree graph hdtree_linear.generate_dot_graph() 

はい、結果のツリーは1レベルの高さであり、この問題に対する完璧なソリューションを提供します。これは、効果を示すための人工的な例です。ただし、ポイントが明確になることを願っています。データを直感的に表示するか、機能スペースを分割するためのさまざまなオプションを決定ツリーに提供するだけで、より単純で、場合によってはさらに正確なソリューションが提供される可能性があります。有用な情報を見つけるために、ここに示されているツリーからルールを解釈する必要があると想像してください。最初に理解できる解釈と、信頼できる解釈？マルチステップ関数を使用した複雑な解釈、または小さな正確なツリー？答えはとても簡単だと思います。しかし、コード自体をもう少し深く掘り下げてみましょう。初期化するとき、HDTreeClassifierあなたが提供しなければならない最も重要なことはallowed_splitsです。ここでは、データの適切なローカルパーティショニングを見つけるために、アルゴリズムが各ノードのトレーニング中に試行する可能性のあるパーティショニングルールを含むリストを提供します。この場合、私たちは独占的に提供しました SmallerThanSplit。この分割は、表示されているとおりに実行されます。2つの属性を取り（任意の組み合わせを試行し）、スキーマに従ってデータを分割しますa_i < a_j。どれが（あまりにもランダムではなく）私たちのデータと可能な限り一致します。



このタイプの分割は、多変量分割と呼ばれますこれは、分離が決定を下すために複数の機能を使用することを意味します。これは、1つの属性のみを考慮に入れる（詳細については上記を参照）など、他のほとんどのツリーで使用される一方向のパーティション分割とは異なります。もちろん、scikitツリーのような「通常のパーティショニング」を実現するオプションもあります—ファミリー。記事が進むにつれて、もっとお見せします。コードに表示される可能性のあるもう1つの見慣れないものは、ハイパーパラメータです。このパラメーターは、単一ノードまたは完全な分割（親ノードとその子）の値を評価するために使用されるディメンションを表します。選択されたオプションはエントロピーに基づいています[10]。あなたも聞いたことがあるかもしれませんscikit-treeHDTreeQuantileSplitinformation_measureジニ係数。これは別の有効なオプションです。もちろん、適切なインターフェイスを実装するだけで、独自のディメンションを提供できます。必要に応じて、gini-Indexを実装します。これは、他に何も再実装せずにツリーで使用できます。コピーEntropyMeasure()して自分に合わせてください。タイタニックの災害をさらに深く掘り下げましょう。私は自分の例から学ぶのが大好きです。これで、生成されたデータではなく、特定の例でさらにいくつかのHDTree関数が表示されます。

データセット

若い戦闘機コースの有名な機械学習データセットであるタイタニック災害データセットを使用します。これは非常に単純なセットであり、それほど大きくはありませんが、完全に些細なことではありませんが、いくつかの異なるデータタイプと欠落した値が含まれています。また、人間にもわかりやすく、すでに多くの人が使っています。データは次のよう







になります。すべての種類の属性があることがわかります。数値、カテゴリ、整数タイプ、さらには欠落している値（キャビン列をご覧ください）。課題は、入手可能な乗客情報に基づいて、乗客がタイタニック災害を生き延びたかどうかを予測することです。値属性の説明はここにあります。 MLチュートリアルを学習し、このデータセットを適用することで、あらゆる種類の作業を行うことができます。前処理欠損値を除去、例えば、一般的な機械学習モデルで作業できるようにするNaN、[12]の値を置き換えることにより、行/列をドロップする、単一符号[13]カテゴリデータを（例えば、EmbarkedおよびSexまたは有効なデータセットを取得するためにデータをグループ化しますこれはMLモデルを受け入れます。この種のクリーンアップはHDTreeでは技術的に必要ありません。データをそのまま提供でき、モデルは喜んで受け入れます。実際のオブジェクトを設計する場合にのみデータを変更します。すべてを簡略化して開始しました。

タイタニックデータで最初のHDTreeをトレーニングする

データをそのまま取得してモデルにフィードしてみましょう。基本的なコードは上記のコードと似ていますが、この例ではさらに多くのデータ分割が可能です。

    hdtree_titanic = HDTreeClassifier(allowed_splits=[FixedValueSplit.build(), # e.g., Embarked = 'C'
    SingleCategorySplit.build(), # e.g., Embarked -> ['C', 'Q', 'S']
    TwentyQuantileRangeSplit.build(), # e.g., IN Quantile 3-5
    TwentyQuantileSplit.build()], # e.g., BELOW Quantile 7
    information_measure=EntropyMeasure(),
    attribute_names=col_names,
    max_levels=3) # restrict to grow to a max of 3 levels
    hdtree_titanic.fit(X_titanic_train.values, y_titanic_train.values)
    hdtree_titanic.generate_dot_graph()
    

何が起こっているのかを詳しく見てみましょう。3つのレベルを持つ決定ツリーを作成し、4つの可能なSplitRuleのうち3つを使用することを選択しました。それらは文字S1、S2、S3でマークされています。彼らが何をしているのか簡単に説明します。

• S1 ：FixedValueSplit。この分割は、カテゴリデータを処理し、可能な値の1つを選択します。次に、データは、この値を持つ1つの部分と、値が設定されていない別の部分に分割されます。たとえば、PClass = 1およびPclass≠1です。
• S2: () QuantileRangeSplit. . , . 1 5 . ( ) (measure_information). (i) (ii) — . .
• S3 :( 20）QuantileSplit。Split Range（S2）に似ていますが、しきい値に基づいてデータを分割します。これは基本的に通常の決定ツリーが行うことですが、通常、固定数ではなくすべての可能なしきい値を試行します。

あなたは自分がSingleCategorySplit関与していないことに気づいたかもしれません。この部門の省略は後で明らかになるので、とにかく明確にする機会があります：

• S4：SingleCategorySplit同様FixedValueSplitに機能しますが、可能なすべての値に対して子ノードを作成します。たとえば、PClass属性の場合、3つの子ノードになります（それぞれクラス1、クラス2、およびクラス3）。可能なカテゴリが2つしかない場合FixedValueSplitは、同じであることに注意してくださいSingleValueSplit。

個々の部門は、「受け入れる」データタイプ/値に関していくらか「スマート」です。何らかの延長が行われるまで、彼らはどのような状況で適用され、適用されないかを知っています。ツリーは、トレーニングデータとテストデータを2対1に分割してトレーニングされました。パフォーマンスは、トレーニングデータで80.37％、テストデータで81.69％の精度でした。そんなに悪くない。

分割の制限

何らかの理由で見つかった解決策にあまり満足していないと仮定しましょう。たぶん、ツリーの一番上で最初に分割するのは簡単すぎる（属性で分割するsex）と判断するかもしれません。HDTreeは問題を解決します。最も簡単な解決策は、上部に表示されないようにすることですFixedValueSplit（さらに言えば、同等のものSingleCategorySplit）。それはかなり簡単です。次のように分割の初期化を変更します。

    - SNIP -
    ...allowed_splits=[FixedValueSplit.build_with_restrictions(min_level=1),
    SingleCategorySplit.build_with_restrictions(min_level=1),...],
    - SNIP -

新しく生成されたツリー内で欠落している分割（S4）を確認できるため、結果のHDTree全体を示します。パラメータのおかげで







分割sexがルートに表示されないようにすることで min_level=1（ヒント：もちろん指定することもできますmax_level）、ツリーを完全に再構築しました。そのパフォーマンスは現在80.37％と81.69％（トレーニング/テスト）です。ルートノードでより良い分離を行ったとしても、それはまったく変化しませんでした。

デシジョンツリーは貪欲であるため、各ノードのローカルの_最良のパーティションのみが検出されます。これは、必ずしも_最良の_オプションであるとは限りません。実際、[15]で証明されているように、意思決定ツリーの問題に対する理想的な解決策を見つけることは、NP完全な問題です。

したがって、私たちが求めることができる最善の方法はヒューリスティックです。例に戻りましょう。データの重要な表現がすでにあることに注意してください。しかし、それは些細なことです。男性の生存の可能性は低いと言えますがPClass、チェルブール（Embarked=C）から飛び立つ1年生または2年生であると、生存の可能性が高まる可能性があると結論付けることができます。またはPClass 3、33歳未満の男性の場合 、チャンスも増えますか？覚えておいてください：最初に女性と子供たち。視覚化を解釈して、これらの結論を自分で引き出すことをお勧めします。これらの結論は、ツリーの制限のためにのみ可能でした。他の制限を適用することによって他に何が明らかになることができるか誰が知っていますか？それを試してみてください！



この種の最後の例として、パーティショニングを特定の属性に制限する方法を示したいと思います。これは、不要な相関関係や強制的な代替案でのツリー学習を防ぐだけでなく、検索スペースを狭めるためにも適用できます。このアプローチにより、特に多変量パーティショニングを使用する場合に、実行時間を大幅に短縮できます。前の例に戻ると、属性をチェックするノードが見つかる場合がありますPassengerId。少なくとも生存に関する情報に貢献するべきではないので、モデル化したくないかもしれません。乗客IDの確認は、再トレーニングの兆候である可能性があります。パラメータで状況を変えてみましょうblacklist_attribute_indices。

    - SNIP -
    ...allowed_splits=[TwentyQuantileRangeSplit.build_with_restrictions(blacklist_attribute_indices=['PassengerId']),
    FixedValueSplit.build_with_restrictions(blacklist_attribute_indices=['Name Length']),
    ...],
    - SNIP -
    

なぜname lengthそれがまったく現れるのかとあなたは尋ねるかもしれません。長い名前（ダブルネームまたは[高貴な]タイトル）は豊かな過去を示し、生存の可能性を高める可能性があることに注意してください。

追加のヒント：同じものをいつでもSplitRule2回追加できます 。特定のHDTreeレベルの属性のみをブラックリストに登録する場合はSplitRule、レベル制限を追加しないでください。

データポイントの予測

すでにお気づきかもしれませんが、scikit-learn共通インターフェースを予測に使用できます。これpredict()、predict_proba()同様に score()。しかし、さらに先に進むことができます。あるexplain_decision()ソリューションのテキスト表現を表示します一つは。

print(hdtree_titanic_3.explain_decision(X_titanic_train[42]))

これは、ツリーへの最後の変更であると見なされます。コードはこれを出力します：

Query:
Query: 
 {'PassengerId': 273, 'Pclass': 2, 'Sex': 'female', 'Age': 41.0, 'SibSp': 0, 'Parch': 1, 'Fare': 19.5, 'Cabin': nan, 'Embarked': 'S', 'Name Length': 41}

Predicted sample as "Survived" because of: 
Explanation 1:
Step 1: Sex doesn't match value male
Step 2: Pclass doesn't match value 3
Step 3: Fare is OUTSIDE range [134.61, ..., 152.31[(19.50 is below range)
Step 4: Leaf. Vote for {'Survived'}
    

これは、欠落しているデータに対しても機能します。属性2（Sex）のインデックスをmissing (None）に設定しましょう：

    passenger_42 = X_titanic_train[42].copy()
    passenger_42[2] = None
    print(hdtree_titanic_3.explain_decision(passenger_42))
    

Query: 
 {'PassengerId': 273, 'Pclass': 2, 'Sex': None, 'Age': 41.0, 'SibSp': 0, 'Parch': 1, 'Fare': 19.5, 'Cabin': nan, 'Embarked': 'S', 'Name Length': 41}

Predicted sample as "Death" because of: 
Explanation 1:
Step 1: Sex has no value available
Step 2: Age is OUTSIDE range [28.00, ..., 31.00[(41.00 is above range)
Step 3: Age is OUTSIDE range [18.00, ..., 25.00[(41.00 is above range)
Step 4: Leaf. Vote for {'Death'}
---------------------------------
Explanation 2:
Step 1: Sex has no value available
Step 2: Pclass doesn't match value 3
Step 3: Fare is OUTSIDE range [134.61, ..., 152.31[(19.50 is below range)
Step 4: Leaf. Vote for {'Survived'}
---------------------------------
    

これにより、すべての決定パスが出力されます（一部のノードでは決定を行うことができないため、複数あります！）。最終結果は、すべての葉の中で最も一般的なクラスになります。

...その他の便利なもの

先に進んで、ツリービューをテキストとして取得できます。

    Level 0, ROOT: Node having 596 samples and 2 children with split rule "Split on Sex equals male" (Split Score:
    0.251)
    -Level 1, Child #1: Node having 390 samples and 2 children with split rule "Age is within range [28.00, ..., 31.00["
    (Split Score: 0.342)
    --Level 2, Child #1: Node having 117 samples and 2 children with split rule "Name Length is within range [18.80,
    ..., 20.00[" (Split Score: 0.543)
    ---Level 3, Child #1: Node having 14 samples and no children with
    - SNIP -
    

または、すべてのクリーンノードにアクセスします（スコアが高い）：

    [str(node) for node in hdtree_titanic_3.get_clean_nodes(min_score=0.5)]
    

    ['Node having 117 samples and 2 children with split rule "Name Length is within range [18.80, ..., 20.00[" (Split
    Score: 0.543)',
    'Node having 14 samples and no children with split rule "no split rule" (Node Score: 1)',
    'Node having 15 samples and no children with split rule "no split rule" (Node Score: 0.647)',
    'Node having 107 samples and 2 children with split rule "Fare is within range [134.61, ..., 152.31[" (Split Score:
    0.822)',
    'Node having 102 samples and no children with split rule "no split rule" (Node Score: 0.861)']
    

HDTree拡張

あなたがシステムに追加したいと思うかもしれない最も重要なものはあなた自身のものSplitRuleです。分離ルールは、分離したいことを実際に実行できます...実装SplitRuleを通じて実装しAbstractSplitRuleます。データの取り込みやパフォーマンスの評価などを自分で処理する必要があるため、これは少し注意が必要です。これらの理由により、分割タイプに応じて実装に追加できるミックスインがパッケージに含まれています。ミックスインはあなたのために難しい部分のほとんどを行います。

オンラインのSkillFactoryコースを受講して、注目を集める職業をゼロから取得する方法、またはスキルと給与をレベルアップする方法の詳細を確認してください。

• 機械学習コース（12週間）
• 上級コース「マシンラーニングプロ+ディープラーニング」（20週間）
• « Machine Learning Data Science» (20 )
• «Python -» (9 )

E

• Data Science (12 )
• - (8 )
• (9 )
• DevOps (12 )
• Java- (18 )
• JavaScript (12 )
• UX- (9 )
• Web- (7 )