TabFM(表形式のデータを学習なしで予測する基盤モデル）を使ってMLCCの特性表から温度特性（X7Rなど）を推定する。

TimesFMを使っていろいろやってきたが今回はTabFM。

https://github.com/google-research/tabfm

表形式のデータを学習なしのゼロショットで予測する基盤モデルということでした。

例題は…MLCCの特性表でもやってみようか。TDKさんのを使う。

https://product.tdk.com/ja/search/capacitor/ceramic/mlcc/list#ref=plist&psts%5B%5D=0&_l=20&_p=1&_c=pure_status-pure_status&_d=0

バックエンドはPyTorchにしてコードを書く、といってもほぼ例題通りでデータをMLCCにしただけ。特性表から温度特性を抜いたものと、温度特性だけのデータと使って学習なしで使える。

import numpy as np

import pandas as pd

from tabfm import TabFMClassifier

from tabfm import tabfm_v1_0_0_pytorch as tabfm_v1_0_0

model = tabfm_v1_0_0.load()

# Initialize scikit-learn compatible classifier (works with either backend model)

clf = TabFMClassifier(model=model)

df = pd.read_csv("TDK-MLCC.csv")

x_train = df.query("用途 == '一般グレード'")

y_train = x_train.pop("温度 特性")

test_index = [50, 150, 200]

x_test = x_train.iloc[test_index]

x_train.drop(index = test_index, inplace = True)

y_test = y_train.iloc[test_index] # type: ignore

y_train.drop(index = test_index, inplace = True)

# Fit classifier (prepares ordinal encoders and numerical scalers)

clf.fit(x_train, y_train)

# Predict classes and probabilities

predictions = clf.predict(x_test)

probabilities = clf.predict_proba(x_test)

print("Predictions:", predictions)

print("Class Probabilities:\n", probabilities)

print("       True:", y_test.to_list())

実行結果はこちら。ちゃんと合ってる。次は回帰をやってみるか。

Predictions: ['X5R' 'X7S' 'X7R']
Class Probabilities:
[[1.0000000e+00 8.2657525e-09 2.8850312e-08 2.8850312e-08 3.3149803e-08
1.0292268e-09 7.7960866e-10 5.9053040e-10 1.2538550e-08]
[2.5109950e-08 7.5448486e-07 5.7776216e-08 3.2788444e-07 2.8537556e-07
9.9999833e-01 1.7550386e-07 1.7743782e-08 2.6914391e-08]
[9.3945602e-08 7.1940764e-09 8.8607557e-09 9.9999213e-01 7.4630243e-06
2.3426340e-08 6.7117587e-09 2.3683038e-09 2.6624127e-07]]
True: ['X5R', 'X7S', 'X7R']