TabPFN 开源项目pip 一条命令装好小表格分类不用调参【免费下载链接】TabPFN⚡ TabPFN: Foundation Model for Tabular Data ⚡项目地址: https://gitcode.com/GitHub_Trending/ta/TabPFNTabPFN 是 Prior Labs 团队推出的表格数据基础模型PyTorch 官方实现pip 一条命令装到本地给一小段训练表格1 秒内出分类预测默认配置开箱即用、不用调参。表格只有几千行时调参比预测更累数据只有几百到几千行时传统模型会遇到第一道坎超参要手动调网格搜索耗时结果还不稳定。TabPFN 换了一条路——训练阶段已经见过海量合成表格把 AutoML 的模型选择经验压缩进权重里新表格进来一次前向传播直接出结果。好处很直接省掉调参环节默认配置已经替你优化好一次前向传播出预测通常 1 秒内完成接口兼容 scikit-learn 的 fit/predict上手零成本三行代码跑通pip 一条命令装好pip install tabpfn要求 Python 3.10模型权重首次使用时自动下载浏览器里确认一次许可即可。一个能直接跑的分类示例from tabpfn import TabPFNClassifier clf TabPFNClassifier() clf.fit(X_train, y_train) # 训练表格原样喂进去 y_pred clf.predict(X_test) # 直接输出类别预测这里的 fit 并不是真正训练——模型只是记下你的训练表格预测时再当场推理一次。回归任务有同用法的 TabPFNRegressor完整流程数据加载、评估指标可看 examples/tabpfn_for_binary_classification.py。这三种情况下用它最合适小样本快速验证手头只有几百行数据想先看效果直接丢进去跑快速搭基线需要一条可靠的 baseline 去对比其他模型它成本极低缺值多、类别列多的脏表格自动处理省掉填值和编码这两道工序避坑指南四个容易踩的细节表格原样喂进去别做预处理坑习惯性地先做缩放到或独热编码再喂进去。怎么绕pandas DataFrame 原样传入TabPFN 会自动识别类别列和缺失值多此一举的预处理反而可能帮倒忙。预测要一次批处理别逐行循环坑对 100 行数据循环调用 100 次 predict。怎么绕一次调用传全部行——每次 predict 都会重算训练表逐行调用慢大约 100 倍测试集特别大时按每块 1000 行分批。优先用 GPUCPU 只适合小数据坑在 CPU 上跑大数据集。怎么绕默认模型在 CPU 上约 5000 行为上限有 GPU 就优先用8GB 显存的旧卡也够用。心里有尺寸上限坑把超大的表直接塞进去。怎么绕默认 TabPFN-3 建议上限约 100 万行 × 200 个特征超了先对训练集做降采样。周边工具怎么选各管一段scikit-learn负责数据切分与指标计算这一段TabPFN 的接口完全照它的规范来pandas负责数据清洗、探查、特征工程等前置环节PyTorch底层算力框架提供 GPU/CUDA 加速tabpfn-client没有 GPU 时的官方云推理选项tabpfn-extensionsSHAP 解释、离群检测等扩展能力资源速查README.md官方说明、各版本模型尺寸上限与 FAQexamples/分类、回归、调参与微调的全部可运行示例CHANGELOG.md版本变更记录安装方式pip install tabpfn【免费下载链接】TabPFN⚡ TabPFN: Foundation Model for Tabular Data ⚡项目地址: https://gitcode.com/GitHub_Trending/ta/TabPFN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考