TabPFN - 表格数据基础模型

---

一、关于 TabPFN

TabPFN是表格数据的基础模型，它优于传统方法，同时速度显着加快。该存储库包含具有CUDA优化的核心PyTorch实现。

• github : https://github.com/PriorLabs/TabPFN
• 官方文档：https://priorlabs.ai/
• Discord
• 交互式Colab教程 使用示例和最佳实践
• 开发者： Prior Labs

---

🌐TabPFN生态系统

根据您的需求选择正确的TabPFN实现：

• TabPFN客户端：易于使用的API客户端，用于基于云的推理
• TabPFN扩展：社区扩展和集成
• TabPFN（此存储库）：本地部署和研究的核心实现

试试我们的交互式Colab教程，快速入门。

---

二、快速入门🏁

⚠️ 主要更新：2.0版： 通过新的架构和功能完成代码库大修。以前的版本在v1.0.0和pip install tabpfn<2。

---

1、安装

# Simple installation
pip install tabpfn

# Local development installation
git clone https://github.com/PriorLabs/TabPFN.git
pip install -e "tabpfn[dev]"

---

2、基本用法

from sklearn.datasets import load_breast_cancer
from sklearn.metrics import accuracy_score, roc_auc_score
from sklearn.model_selection import train_test_split

from tabpfn import TabPFNClassifier

# Load data
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

# Initialize a classifier
clf = TabPFNClassifier()
clf.fit(X_train, y_train)

# Predict probabilities
prediction_probabilities = clf.predict_proba(X_test)
print("ROC AUC:", roc_auc_score(y_test, prediction_probabilities[:, 1]))

# Predict labels
predictions = clf.predict(X_test)
print("Accuracy", accuracy_score(y_test, predictions))

---

三、使用技巧💡

TabPFN旨在以最少的预处理开箱即用：

• 无需预处理：TabPFN在内部处理规范化
• 类别变量：使用数字编码（浮点数表示有序，普通编码器表示无序）
• 自动集成：控制与n_estimators
• 独立预测：测试样本可以单独或批量预测
• 可微：核心模型是可微的（预处理除外）
• GPU支持：使用device='cuda'进行GPU加速

---

四、开发🛠️

---

1、设置环境

python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
git clone https://github.com/PriorLabs/TabPFN.git
cd tabpfn
pip install -e ".[dev]"
pre-commit install

---

2、在提交之前

pre-commit run --all-files

---

3、运行测试

pytest tests/

---

2025-01-06（五）