LLMs 驱动结构化数据的自动化特征工程

研究人员开发了进化特征工程（EFE），一个利用大型语言模型（LLMs）自动发现结构化数据预处理转换的新框架。EFE将这些转换表示为Python程序，能够无缝集成到现有的机器学习管道中。该框架利用数据集上下文、汇总统计数据和下游性能反馈来优化候选程序。EFE在时间序列预测方面取得了成功，使用Chronos-2等模型将误差降低了3%或更多；在表格预测方面，它演化出了紧凑、可解释的特征程序，其性能与现有的基于LLM的方法相当或更优。 AI

影响 自动化复杂的数据预处理，可能提高各领域机器学习模型的准确性和可解释性。

排序理由 该集群描述了一篇关于使用LLMs进行特征工程的新颖框架的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Chronos 2 Forecasting Model
• EFE-Tab
• EFE-Time
• Evolutionary Feature Engineering
• Hugging Face
• large-language models
• Mae
• Mase
• Python
• WQL

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →