El modelo TabFM
En este documento, se describe el modelo integrado de regresión y clasificación tabular TabFM de BigQuery.
El modelo TabFM integrado es una implementación del modelo TabFM de código abierto de Google Research. El modelo TabFM de Google Research es un modelo fundamental para datos tabulares que permite la regresión y la clasificación de datos estructurados sin ejemplos a través del aprendizaje en contexto. Dado que el modelo TabFM se entrena previamente con cientos de millones de conjuntos de datos sintéticos generados con modelos causales estructurales, captura interacciones complejas entre las funciones y se generaliza bien para las tablas del mundo real no vistas en muchos dominios.
Puedes usar el modelo TabFM con la función AI.PREDICT para realizar regresiones y clasificaciones en datos estructurados en un solo pase hacia adelante sin tener que entrenar un modelo, optimizar hiperparámetros ni diseñar atributos.
Los resultados de la predicción son comparables con los algoritmos supervisados convencionales basados en árboles, como XGBoost y los bosques aleatorios. Si deseas más opciones de ajuste del modelo que las que ofrece el modelo TabFM, puedes entrenar un modelo supervisado, como un modelo de árbol potenciado o de bosque aleatorio, y usarlo con la función ML.PREDICT.
Para generar predicciones con el modelo TabFM en datos tabulares, usa la función AI.PREDICT.
Para evaluar los valores predichos del modelo TabFM en comparación con los valores reales, usa la función AI.EVALUATE.
Para obtener más información sobre el modelo TabFM de Google Research, consulta los siguientes recursos:
Cuando usas TabFM a través de BigQuery, tu uso se rige por las Condiciones del Servicio de Google Cloud y permite usos comerciales. La licencia no comercial asociada con los pesos de TabFM descargables públicamente en GitHub y Hugging Face solo se aplica a las descargas autoalojadas y no restringe el uso dentro de BigQuery.