LAMDA-Tabular/TALENT

解决的问题

TALENT 通过提供统一的基准测试和全面的机器学习工具箱，解决了在表格数据上优化模型性能的挑战。它简化了在大量数据集上比较各种算法（从经典的树基方法到最新的深度学习和基础模型）的过程。

工作原理

TALENT 将超过 45 种不同的表格学习方法集成到一个框架中。它提供了标准化的预处理（归一化和编码）、超参数调优和评估工具。该工具箱支持多种架构，包括：

• 深度学习：MLP、ResNets，以及基于令牌的方法如 FT-Transformer 和 TabTransformer。
• 树形模拟模型：NODE、TabNet 和 GRANDE。
• 表格基础模型：TabPFN（v1 至 v3）、TabICL 和 Google 的 TabFM，这些模型利用上下文学习实现零样本或少样本预测。
• 专用算法：RFM 和 xRFM，用于无需反向传播的特征学习。

适用人群

专为需要评估、基准测试或实现表格数据最先进机器学习模型的数据科学家（从新手到专家）设计。

主要亮点

• 庞大的方法库：包含 30 多种深度学习架构以及多种经典和树基方法。
• 广泛的基准测试：附带 300 个数据集，涵盖各种任务类型、大小和领域。
• 基础模型支持：集成支持前沿的表格基础模型，如 TabPFN 和 TabFM。
• 用户友好的流水线：内置超参数搜索空间、决策阈值调优和校准指标（Brier、ECE）支持。