- Model fondasi khusus untuk data tabel (terstruktur), memungkinkan tugas klasifikasi dan regresi dijalankan langsung melalui antarmuka
fit/predict bergaya scikit-learn
- Model dasar TabPFN-2.6 dilatih sepenuhnya dengan data sintetis, dan saat pertama kali digunakan akan otomatis mengunduh checkpoint sehingga tidak perlu menyiapkan pipeline pelatihan terpisah
- Juga tidak memerlukan prapemrosesan data: data mentah harus dimasukkan apa adanya tanpa menerapkan scaling, one-hot encoding, dan sejenisnya, serta nilai yang hilang juga dapat ditangani secara internal
- GPU direkomendasikan (~8GB VRAM atau lebih); di CPU hanya bisa dijalankan untuk sekitar 1.000 sampel atau kurang, dan untuk lingkungan tanpa GPU tersedia TabPFN Client (inferensi cloud)
- Prediksi batch wajib: jika
predict dipanggil untuk setiap sampel secara terpisah, set pelatihan akan dihitung ulang setiap kali, sehingga sekitar 100 kali lebih lambat dibanding satu panggilan tunggal — set uji disarankan dibagi dalam unit 1.000 item
- Rentang performa optimal adalah hingga 100.000 sampel dan 2.000 fitur; untuk 50.000~100.000 sampel gunakan pengaturan
ignore_pretraining_limits=True, dan jika melebihi 100.000 terapkan Large Datasets Guide
- Dengan TabPFN Extensions, tersedia fitur tambahan seperti interpretasi SHAP, deteksi anomali, pembuatan data sintetis, ekstraksi embedding, optimasi hyperparameter, dan ensemble post-hoc
- Di HuggingFace tersedia berbagai checkpoint khusus: untuk fitur berskala besar (hingga 1.000), sampel besar (30 ribu+), sampel kecil (di bawah 3K), serta versi fine-tuning pada data nyata
- Dalam Enterprise Edition, tersedia inferensi latensi rendah berbasis distillation engine, dukungan hingga 10 juta baris, dan lisensi komersial
- Juga tersedia TabPFN UX (antarmuka grafis no-code) yang dapat digunakan tanpa menulis kode
- Kode menggunakan lisensi Prior Labs License (Apache 2.0 + persyaratan atribusi), sedangkan bobot model TabPFN-2.5/2.6 memakai lisensi nonkomersial
Belum ada komentar.