Das TabFM-Modell

In diesem Dokument wird das integrierte TabFM-Modell für tabellarische Regression und Klassifizierung in BigQuery beschrieben.

Das integrierte TabFM-Modell ist eine Implementierung des Open-Source-TabFM-Modells von Google Research. Das TabFM-Modell von Google Research ist ein Fundierungsmodell für tabellarische Daten, das Zero-Shot-Regression und ‑Klassifizierung für strukturierte Daten durch In-Context-Learning ermöglicht. Das TabFM-Modell wurde mit Hunderten von Millionen synthetischer Datasets vortrainiert, die mit strukturellen kausalen Modellen generiert wurden. Daher erfasst es komplexe Feature-Interaktionen und lässt sich gut auf bisher unbekannte Tabellen aus der realen Welt in vielen Bereichen verallgemeinern.

Sie können das TabFM-Modell mit der AI.PREDICT-Funktion verwenden, um Regression und Klassifizierung für strukturierte Daten in einem einzigen Forward-Pass durchzuführen, ohne ein Modell trainieren, Hyperparameter optimieren oder Features entwickeln zu müssen. Die Vorhersageergebnisse sind mit denen herkömmlicher auf überwachten Bäumen basierender Algorithmen wie XGBoost und Random Forests vergleichbar. Wenn Sie mehr Optionen zum Optimieren von Modellen als das TabFM-Modell benötigen, können Sie stattdessen ein überwachtes Modell wie ein Boosted Tree- oder Random Forest-Modell trainieren und mit der ML.PREDICT-Funktion verwenden.

Wenn Sie mit dem TabFM-Modell Vorhersagen für tabellarische Daten generieren möchten, verwenden Sie die Funktion AI.PREDICT.

Wenn Sie die vorhergesagten Werte des TabFM-Modells mit den tatsächlichen Werten vergleichen möchten, verwenden Sie die Funktion AI.EVALUATE.

Weitere Informationen zum Google Research TabFM-Modell finden Sie in den folgenden Ressourcen:

Wenn Sie TabFM über BigQuery verwenden, unterliegt Ihre Nutzung den Nutzungsbedingungen von Google Cloud und ist für kommerzielle Zwecke zulässig. Die nicht kommerzielle Lizenz, die mit den öffentlich herunterladbaren TabFM-Gewichten auf GitHub und Hugging Face verknüpft ist, gilt nur für selbst gehostete Downloads und schränkt die Nutzung in BigQuery nicht ein.