Używam scikit-learn's Random Forest Regressor do dopasowania losowego regresora lasu na zbiorze danych. Czy możliwe jest zinterpretowanie danych wyjściowych w formacie, w którym mogę następnie zastosować dopasowanie modelu bez użycia scikit-learn lub nawet Python?Losowa interpretacja lasu w scikit-learn
Rozwiązanie należy wdrożyć w mikrokontroleru, a może nawet w wersji FPGA. Robię analizy i uczenie się w Pythonie, ale chcę je wdrożyć na UC lub FPGA.
Możesz sprawdzić graphviz, który używa "języka kropki" do przechowywania modeli (który jest czytelny dla ludzi, jeśli chcesz zbudować jakiegoś niestandardowego interpretera, nie powinien być trudny). W scikit-learn znajduje się funkcja export_graphviz. Możesz załadować i przetworzyć model w C++ poprzez metodę biblioteki boost (read_graphviz) lub inne dostępne niestandardowe interpretery.
To jasne, co masz na myśli tej części:
teraz, że mam wyniki, to jest możliwe, aby zinterpretować to w pewnym formacie, gdzie można następnie wdrożyć dopasowanie bez użycia sklearn lub nawet Python?
Wprowadź proces dopasowania dla danego zestawu danych? topologia drzewa? wybór parametrów?
Jeśli chodzi o "wdrożenie ... bez użycia sklearn lub python", czy miałeś na myśli "port kodu bajtowego lub binarnego" lub "clean-code całkowicie nową implementację"?
Zakładając, że chodziło o to drugie, sugerowałbym raczej GPU niż FPGA lub uC.
Wygląda na to, że 'export_graphviz' jest w' sklearn.tree' i przyjmuje jako parametr drzewo decyzyjne. W jaki sposób można to zastosować do metody zespołu, takie jak 'sklearn.ensemble.RandomForestRegressor'? –
@Los Losowy las to po prostu zbiór drzew, a zatem można go wyeksportować w grafviz. – sashkello
Cool. Właśnie zauważyłem pole estimators_ dla uzyskania poszczególnych regresorów: http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html. Dzięki! –