表格数据深度学习框架-DeepTables
官方链接：https://github.com/DataCanvasIO/DeepTables
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。
Quick Start
https://deeptables.readthedocs.io/en/latest/quick_start.html
Examples
https://deeptables.readthedocs.io/en/latest/examples.html
ModelConfig
https://deeptables.readthedocs.io/en/latest/model_config.html
Models
https://deeptables.readthedocs.io/en/latest/models.html
Layers
https://deeptables.readthedocs.io/en/latest/layers.html
cpu安装命令：
pip install deeptablesgpu安装命令：
pip install deeptables[gpu]
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)下面是DT用于二分类任务的简单例子：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~
https://github.com/DataCanvasIO/DeepTables/blob/master/examples/Kaggle%20-%20Categorical%20Feature%20Encoding%20Challenge%20II.ipynb
原文作者：ChallengeHub；如有侵权，请联系管理员删除。
