表格数据深度学习框架-DeepTables

致Great

发布于 2020-12-10 09:39:02

1.4K00

代码可运行

文章被收录于专栏：自然语言处理自然语言处理

运行总次数：0

代码可运行

DeepTables：用于表格数据的深度学习工具包

简介

MLP（也称为全连接神经网络）已被证明在学习分布表示方面效率低下。事实证明，感知器层的“Add”操作在探索乘法特征交互时性能较差。在大多数情况下，必须进行手动特征工程，并且这项工作需要广泛的领域知识并且非常繁琐。如何在神经网络中有效地学习功能交互成为最重要的问题。

目前为止，业界已经提出了各种模型来进行CTR预测，并且这些模型在最近几年中将一直优于现有的最新技术。众所周知的示例包括FM，DeepFM，Wide＆Deep，DCN，PNN等。这些模型还可以在合理利用的情况下为表格数据提供良好的性能。

DT旨在利用最新的研究结果为用户提供表格数据的端到端工具包。

DT的设计考虑了以下主要目标：

易于使用，非专家也可以使用。
开箱即用地提供良好的性能。
灵活的架构，易于用户扩展。

教程

安装

cpu安装命令：

pip install deeptables

gpu安装命令：

pip install deeptables[gpu]

简单实例

下面是DT用于二分类任务的简单例子：

import numpy as np
from deeptables.models import deeptable, deepnets
from deeptables.datasets import dsutils
from sklearn.model_selection import train_test_split

# 加载数据
df = dsutils.load_bank()
df_train, df_test = train_test_split(df, test_size=0.2, random_state=42)

y = df_train.pop('y')
y_test = df_test.pop('y')

#训练
config = deeptable.ModelConfig(nets=deepnets.DeepFM)
dt = deeptable.DeepTable(config=config)
model, history = dt.fit(df_train, y, epochs=10)

#评估
result = dt.evaluate(df_test,y_test, batch_size=512, verbose=0)
print(result)

#预测
preds = dt.predict(df_test)

DeepTables在Kaggle Categorical Feature Encoding Challenge II 比赛中取得了第一的好成绩，方案链接，大家可以尝试使用~

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

如有侵权请联系 cloudcommunity@tencent.com 删除

神经网络

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

神经网络

登录后参与评论

0 条评论

热度