OpenTabular/DeepTab

解决的问题

DeepTab 简化了将深度学习应用于表格数据的过程。它消除了手动预处理、架构选择和训练循环样板代码等常见障碍，提供了一个统一的、与 scikit-learn 兼容的接口，支持多种专为表格数据设计的神经网络架构。

工作原理

DeepTab 基于 PyTorch 和 PyTorch Lightning 构建，将复杂的神经网络架构封装为熟悉的 fit/predict/evaluate 工作流。它与 PreTab 集成，可自动完成特征类型检测、编码和缩放。该库提供了一个包含 15 种稳定架构的“模型动物园”——包括受 Mamba 启发的状态空间模型、Transformer 以及树状启发式网络——每种架构均可作为分类器、回归器或用于不确定性量化（LSS）的分布模型使用。

适用人群

专为希望在不编写自定义训练循环或手动预处理流水线的情况下利用深度学习处理表格数据的数据科学家和 ML 工程师设计，同时也适用于需要标准化框架来对比不同表格深度学习架构的研究人员。

核心亮点

• scikit-learn API：可无缝集成到现有流水线中，并支持 GridSearchCV 进行超参数调优。
• 广泛的模型动物园：涵盖 15 种以上稳定架构，包括状态空间模型（Mambular）、Transformer（FTTransformer、TabTransformer）和树状启发式模型（NODE）等家族。
• 自动预处理：通过 PreTab 自动处理混合特征类型、缩放和缺失值。
• 分布回归：支持 LSS 模型，可预测完整的概率分布，而不仅仅是点估计。
• 部署就绪：提供 InferenceModel 用于只读预测接口，以及 .deeptab 格式，可打包权重、数据模式和预处理配置，便于快速重新加载。
• 可观测性：支持可选的结构化日志记录，并与 MLflow 和 TensorBoard 集成，用于实验追踪。