- Tablo (yapılandırılmış) verilere özel bir foundation model olup, scikit-learn tarzı
fit/predict arayüzüyle sınıflandırma ve regresyon görevlerini doğrudan gerçekleştirebilir
- Varsayılan model TabPFN-2.6 yalnızca sentetik verilerle eğitilmiştir; ilk kullanımda checkpoint’i otomatik indirir ve ayrı bir eğitim pipeline’ı kurmayı gerektirmez
- Veri ön işleme de gerekmez: scaling, one-hot encoding vb. uygulamadan ham veriyi olduğu gibi vermeniz gerekir; eksik değerleri de kendi içinde işleyebilir
- GPU önerilir (~8GB VRAM ve üzeri); CPU’da yalnızca yaklaşık 1.000 örneğin altında çalıştırılabilir ve GPU olmayan ortamlar için TabPFN Client (bulut çıkarımı) sunulur
- Toplu tahmin zorunludur: Her bir örnek için ayrı
predict çağrısı yapılırsa eğitim seti her seferinde yeniden hesaplanır; bu da tek bir çağrıya kıyasla yaklaşık 100 kat daha yavaştır — test setinin 1.000’lik parçalara bölünmesi önerilir
- En iyi performans aralığı 100 bin örnek ve 2.000 özellik altıdır; 50 bin~100 bin örnek için
ignore_pretraining_limits=True ayarı, 100 bin üzeri için Large Datasets Guide uygulanmalıdır
- TabPFN Extensions ile SHAP yorumlama, aykırı değer tespiti, sentetik veri üretimi, embedding çıkarma, hiperparametre optimizasyonu, post-hoc ensemble gibi genişletilmiş özellikler sunulur
- HuggingFace üzerinde çok sayıda özelleşmiş checkpoint sunulur: büyük özellik setleri (en fazla 1.000), büyük örnek setleri (30 bin+), küçük örnek setleri (3K altı), gerçek veriyle fine-tune edilmiş sürümler vb.
- Enterprise Edition; distillation engine tabanlı düşük gecikmeli çıkarım, en fazla 10 milyon satır desteği ve ticari lisans sunar
- Kod yazmadan kullanılabilen TabPFN UX (no-code grafik arayüz) de ayrıca sunulur
- Kod Prior Labs License (Apache 2.0 + atıf zorunluluğu) ile, TabPFN-2.5/2.6 model ağırlıkları ise ticari olmayan lisansla sunulur
Henüz yorum yok.