Tabpfn V2 Reg

🚀 TabPFN v2：表格基础模型

TabPFN 是一个基于 Transformer 的表格数据基础模型，它利用基于先验数据的学习方法，无需针对特定任务进行训练，就能在小型表格回归任务中取得出色的性能。

🚀 快速开始

📚 有关详细的使用示例和最佳实践，请查看：

• 交互式 Colab 教程

✨ 主要特性

TabPFN 作为基于 Transformer 的表格数据基础模型，借助基于先验数据的学习，在小型表格回归任务中无需特定任务训练即可展现强大性能。

📦 安装指南

pip install tabpfn

📚 详细文档

模型详情

📚 引用

@article{hollmann2025tabpfn,
 title={Accurate predictions on small data with a tabular foundation model},
 author={Hollmann, Noah and M{\"u}ller, Samuel and Purucker, Lennart and
         Krishnakumar, Arjun and K{\"o}rfer, Max and Hoo, Shi Bin and
         Schirrmeister, Robin Tibor and Hutter, Frank},
 journal={Nature},
 year={2025},
 month={01},
 day={09},
 doi={10.1038/s41586-024-08328-6},
 publisher={Springer Nature},
 url={https://www.nature.com/articles/s41586-024-08328-6},
}

🔧 技术细节

技术要求

• Python ≥ 3.9
• PyTorch ≥ 2.1
• scikit-learn ≥ 1.0
• 硬件：16GB 以上内存，CPU（GPU 可选）

局限性

• 不适用于非常大的数据集
• 不适用于非表格数据格式

📄 许可证

本模型使用 Prior Labs 许可证（Apache 2.0 并附加额外归属要求）。

资源

• 文档：https://priorlabs.ai/docs
• 源码：https://github.com/priorlabs/tabpfn
• 论文：https://www.nature.com/articles/s41586-024-08328-6

团队

• Noah Hollmann
• Samuel Müller
• Lennart Purucker
• Arjun Krishnakumar
• Max Körfer
• Shi Bin Hoo
• Robin Tibor Schirrmeister
• Frank Hutter
• Eddie Bergman
• Léo Grinsztajn