AIが表データ予測を学習なしで

このチュートリアルでは、NVIDIAの新しいライブラリであるStructured Data Modelsを実装します。これは、表のためのいくつかの事前学習済み基盤モデルを1つのPyTorchインターフェースの背後に置き、トレーニングなしで予測を行うために使用します。このライブラリは、単一の表にはTabICLv2とKumoTabularを、リレーショナルデータベース全体にはKumoRelationalをラップしており、それぞれがin-context learningによって応答します。つまり、ラベル付きの行のセットと予測したい行をモデルに渡し、1回のフォワードパスで確率または完全な予測分布を返します。私たちはライブラリの型付き表テンソルから始め、2つの表モデルをトレーニング済みのscikit-learnベースラインと比較し、多くのクエリでエンコードされたコンテキストを再利用し、回帰から調整された予測区間を読み取り、20クラスにスケールアップします。その後、デフォルトが静かに間違った動作をする箇所、つまりタイムスタンプとテキスト列を削除する前処理レシピと、2つのトラップがある説明器を見てから、小さな3つの表からなるショップデータベースを構築し、そこから顧客の活動を直接予測します。これには、正直なリレーショナルモデルとリーキーなモデルを分ける1つの引数も含まれます。完全なコードはこちらをご覧ください。Copy Code Copied Use a different Browser import os import sys import time import textwrap import traceback import subprocess RESULTS = {} def banner(title): print("\n" + "=" * 78) print(title) print("=" * 78) def section(name): def wrap(fn): def run(*a, **kw): banner(name) try: out = fn(*a, **kw) RESULTS[name] = out if isinstance(out, str) else "ok" return out except Exception as e: RESULTS[name] = f"SKIPPED / FAILED -> {type(e).__name__}: {e}" print(f"\n[!] {name} did not complete: {type(e).__name__}: {e}") traceback.print_exc(limit=3) return None return run return wrap banner("1. Install SDM, and the one wheel URL its own error message gets wrong") subprocess.run([sys.executable, "-m", "pip", "install", "-q", "git+https://github.com/NVIDIA/structured-data-models.git@b982fbf4188ea8db17249fe81338723106