TabNet 细节可解释性表格数据学习
canonical 典型的
DTs:可以使用近超平面边界用来近似高效的表示决策流形;可解释性。
简单地说,什么是 TabNet?
- 表数据的深度学习模型模型
- 它具有树基础(基于决策树的算法)的可解释性,但对大型数据集具有高性能,如 DNN。
- 与树基模型不同,它不需要生成任何特征。
- 塔布内特提供了两种类型的可解释性。 第一个是本地内部性,它可视化了输入特征量的重要性及其组合方式。 第二个是全局内在性,它显示了每个特征对学习模型的贡献程度。
- 容易构造或已经有丰富的特征库。
树模型的决策流形(decision manifolds)是超平面边界的(可以理解为一刀一刀切出来的),对此类问题表现较好。
https://github.com/txyugood/tabnet
https://github.com/PaddlePaddle/Paddle/issues/34752
https://aistudio.baidu.com/aistudio/projectdetail/2270466
https://github.com/google-research/google-research/tree/master/tabnet
https://github.com/google-research/google-research/tree/master/tabnet
https://towardsdatascience.com/tabnet-deep-neural-network-for-structured-tabular-data-39eb4b27a9e4
https://github.com/dreamquark-ai/tabnet
https://zenn.dev/sinchir0/articles/9228eccebfbf579bfdf4
https://github.com/google-research/google-research/tree/master/tabnet
https://github.com/dreamquark-ai/tabnet
tabnet 的学习4月3号终于可以结束了