TabPFN: Neues ML-Modell übertrifft klassische Methoden bei tabellarischen Daten
Ein Forschungsteam hat mit TabPFN ein Machine-Learning-Modell vorgestellt, das bei der Analyse tabellarischer Datensätze etablierte Verfahren wie Random Forest und CatBoost in Genauigkeit und Effizienz übertreffen soll. Der Ansatz basiert auf sogenanntem In-Context Learning und verzichtet damit auf den klassischen Trainingsschritt – ein Paradigmenwechsel gegenüber bisherigen Methoden.