Tabpfn Mix 1.0 Regressor

🚀 TabPFNMix Regressor

TabPFNMix回帰モデルは、ランダム回帰モデルの混合からサンプリングされた純粋な合成データセットで事前学習された表形式の基礎モデルです。このモデルは、表形式データの回帰タスクにおいて高い性能を発揮します。

🚀 クイックスタート

TabPFNMix回帰モデルを使用するには、まずAutoGluonをインストールする必要があります。以下のコマンドを実行してインストールしましょう。

pip install autogluon

✨ 主な機能

TabPFNMixは、3700万のパラメータを持つ12層のエンコーダー・デコーダーTransformerに基づいています。TabPFNやTabForestPFNで使用されているものと同様のコンテキスト内学習を組み込んだ事前学習戦略を採用しています。

💻 使用例

基本的な使用法

以下は、TabPFNMix回帰モデルを使用して微調整と推論を行う最小限のコード例です。

import pandas as pd

from autogluon.tabular import TabularPredictor


if __name__ == '__main__':  
    train_data = pd.read_csv('https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv')
    subsample_size = 5000
    if subsample_size is not None and subsample_size < len(train_data):
        train_data = train_data.sample(n=subsample_size, random_state=0)
    test_data = pd.read_csv('https://autogluon.s3.amazonaws.com/datasets/Inc/test.csv')

    tabpfnmix_default = {
        "model_path_classifier": "autogluon/tabpfn-mix-1.0-classifier",
        "model_path_regressor": "autogluon/tabpfn-mix-1.0-regressor",
        "n_ensembles": 1,
        "max_epochs": 30,
    }

    hyperparameters = {
        "TABPFNMIX": [
            tabpfnmix_default,
        ],
    }

    label = "age"
    problem_type = "regression"

    predictor = TabularPredictor(
        label=label,
        problem_type=problem_type,
    )
    predictor = predictor.fit(
        train_data=train_data,
        hyperparameters=hyperparameters,
        verbosity=3,
    )

    predictor.leaderboard(test_data, display=True)

📚 ドキュメント

引用

もしTabPFNMixがあなたの研究に役立った場合、関連する論文を引用することを検討してください。

@article{erickson2020autogluon,
  title={Autogluon-tabular: Robust and accurate automl for structured data},
  author={Erickson, Nick and Mueller, Jonas and Shirkov, Alexander and Zhang, Hang and Larroy, Pedro and Li, Mu and Smola, Alexander},
  journal={arXiv preprint arXiv:2003.06505},
  year={2020}
}

@article{hollmann2022tabpfn,
  title={Tabpfn: A transformer that solves small tabular classification problems in a second},
  author={Hollmann, Noah and M{\"u}ller, Samuel and Eggensperger, Katharina and Hutter, Frank},
  journal={arXiv preprint arXiv:2207.01848},
  year={2022}
}

@article{breejen2024context,
  title={Why In-Context Learning Transformers are Tabular Data Classifiers},
  author={Breejen, Felix den and Bae, Sangmin and Cha, Stephen and Yun, Se-Young},
  journal={arXiv preprint arXiv:2405.13396},
  year={2024}
}

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で提供されています。