‏TabPFN and TabICL vs. tuned XGBoost: the model that doesn't train won 14/14
‏مدلی که train نمی‌شود در ۱۴ از ۱۴ آزمایش برنده شد

‏ادعای پشتِ TabPFN و TabICL اینه که روی داده‌های جدول بدون هیچ training‌ای prediction می‌دن و باز هم boosting تیون‌شده رو شکست می‌دن.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: اگر این نتایج تکرارپذیر باشن، کلِ چرخه‌ی feature engineering و hyperparameter tuning برای داده‌های جدولی زیر سؤال می‌ره.
‏💡 نکته: برد ۱۴/۱۴ در برابر XGBoost تیون‌شده یعنی این روش رو باید جدی گرفت، نه به‌عنوان یک zero-shot کنجکاوی‌برانگیز.
‏👥 برای کی: کسانی که روی داده‌های جدولی، AutoML یا pipeline‌های ML کار می‌کنن.

‏🔗 https://efraingaray.com/en/blog/tabpfn-vs-xgboost/
‏#ai #ml #XGBoost

‏@BenFeed