Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Funktionsweise von TabTransformer
TabTransformer ist eine neuartige tiefgründige tabellarische Datenmodellierungsarchitektur für überwachtes Lernen. Der TabTransformer basiert auf Transformern, die auf Selbstaufmerksamkeit basieren. Die Transformer-Ebenen wandeln die Einbettungen kategorischer Features in robuste kontextuelle Einbettungen um, um eine höhere Vorhersagegenauigkeit zu erreichen. Darüber hinaus sind die mit TabTransformer erlernten kontextuellen Einbettungen äußerst robust gegenüber fehlenden und verrauschten Daten-Features und bieten eine bessere Interpretierbarkeit.
TabTransformer eignet sich gut für Wettbewerbe im Bereich des Machine Learning, da er eine Vielzahl von Datentypen, Beziehungen und Verteilungen verarbeiten kann und eine Vielzahl von Hyperparametern zur Verfügung steht, die Sie feinabstimmen können. Sie können TabTransformer für Regressions-, Binär- und Multiclass-Klassifizierungs- und Ranglistenprobleme verwenden.
Das folgende Diagramm veranschaulicht die Architektur von TabTransformer.
Weitere Informationen finden Sie unter TabTransformer: Tabellarische Datenmodellierung mithilfekontextueller Einbettungen
