Del via

Brug LightGBM-modeller med SynapseML i Microsoft Fabric

  • Artikel

LightGBM-strukturen specialiserer sig i at skabe algoritmer i høj kvalitet og GPU-aktiverede algoritmer til rangering, klassificering og mange andre opgaver i forbindelse med maskinel indlæring. I denne artikel skal du bruge LightGBM til at oprette klassificerings-, regressions- og rangeringsmodeller.

LightGBM er en struktur med åben kildekode, distribueret graduering med høj ydeevne (GBDT, GBRT, GBM eller MART). LightGBM er en del af Microsofts DMTK-projekt . Du kan bruge LightGBM ved hjælp af LightGBMClassifier, LightGBMRegressor og LightGBMRanker. LightGBM leveres med fordelene ved at blive integreret i eksisterende SparkML-pipelines og bruges til batch-, streaming- og serveringsarbejdsbelastninger. Det tilbyder også en bred vifte af justerbare parametre, som man kan bruge til at tilpasse deres beslutning træsystem. LightGBM on Spark understøtter også nye typer problemer, f.eks. kvantilregression.

Forudsætninger

  • Få et Microsoft Fabric-abonnement. Du kan også tilmelde dig en gratis Prøveversion af Microsoft Fabric.

  • Log på Microsoft Fabric.

  • Brug oplevelsesskifteren nederst til venstre på startsiden til at skifte til Fabric.

    Skærmbillede af menuen til skift af oplevelse, der viser, hvor du skal vælge Datavidenskab.

  • Gå til datavidenskabsoplevelsen i Microsoft Fabric.
  • Opret en ny notesbog.
  • Vedhæft din notesbog til et lakehouse. I venstre side af notesbogen skal du vælge Tilføj for at tilføje et eksisterende lakehouse eller oprette et nyt.

Bruges LightGBMClassifier til at oplære en klassificeringsmodel

I dette afsnit skal du bruge LightGBM til at oprette en klassificeringsmodel til forudsigelse af konkurs.

  1. Læs datasættet.

    from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

from synapse.ml.core.platform import *

    df = (
    spark.read.format("csv")
    .option("header", True)
    .option("inferSchema", True)
    .load(
        "wasbs://publicwasb@mmlspark.blob.core.windows.net/company_bankruptcy_prediction_data.csv"
    )
)
# print dataset size
print("records read: " + str(df.count()))
print("Schema: ")
df.printSchema()

    display(df)

  2. Opdel datasættet i tog- og testsæt.

    train, test = df.randomSplit([0.85, 0.15], seed=1)

  3. Tilføj en featurizer for at konvertere funktioner til vektorer.

    from pyspark.ml.feature import VectorAssembler

feature_cols = df.columns[1:]
featurizer = VectorAssembler(inputCols=feature_cols, outputCol="features")
train_data = featurizer.transform(train)["Bankrupt?", "features"]
test_data = featurizer.transform(test)["Bankrupt?", "features"]

  4. Kontrollér, om dataene er ubalancerede.

    display(train_data.groupBy("Bankrupt?").count())

  5. Oplær modellen ved hjælp af LightGBMClassifier.

    from synapse.ml.lightgbm import LightGBMClassifier

model = LightGBMClassifier(
    objective="binary", featuresCol="features", labelCol="Bankrupt?", isUnbalance=True, dataTransferMode="bulk"
)

    model = model.fit(train_data)

  6. Visualiser funktionsprioritet

    import pandas as pd
import matplotlib.pyplot as plt

feature_importances = model.getFeatureImportances()
fi = pd.Series(feature_importances, index=feature_cols)
fi = fi.sort_values(ascending=True)
f_index = fi.index
f_values = fi.values

# print feature importances
print("f_index:", f_index)
print("f_values:", f_values)

# plot
x_index = list(range(len(fi)))
x_index = [x / len(fi) for x in x_index]
plt.rcParams["figure.figsize"] = (20, 20)
plt.barh(
    x_index, f_values, height=0.028, align="center", color="tan", tick_label=f_index
)
plt.xlabel("importances")
plt.ylabel("features")
plt.show()

  7. Generér forudsigelser med modellen

    predictions = model.transform(test_data)
predictions.limit(10).toPandas()

    from synapse.ml.train import ComputeModelStatistics

metrics = ComputeModelStatistics(
    evaluationMetric="classification",
    labelCol="Bankrupt?",
    scoredLabelsCol="prediction",
).transform(predictions)
display(metrics)

Bruges LightGBMRegressor til at oplære en kvantil regressionsmodel

I dette afsnit bruger du LightGBM til at bygge en regressionsmodel til lægemiddelregistrering.

  1. Læs datasættet.

    triazines = spark.read.format("libsvm").load(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/triazines.scale.svmlight"
)

    # print some basic info
print("records read: " + str(triazines.count()))
print("Schema: ")
triazines.printSchema()
display(triazines.limit(10))

  2. Opdel datasættet i tog- og testsæt.

    train, test = triazines.randomSplit([0.85, 0.15], seed=1)

  3. Oplær modellen ved hjælp af LightGBMRegressor.

    from synapse.ml.lightgbm import LightGBMRegressor

model = LightGBMRegressor(
    objective="quantile", alpha=0.2, learningRate=0.3, numLeaves=31, dataTransferMode="bulk"
).fit(train)

    print(model.getFeatureImportances())

  4. Generér forudsigelser med modellen.

    scoredData = model.transform(test)
display(scoredData)

    from synapse.ml.train import ComputeModelStatistics

metrics = ComputeModelStatistics(
    evaluationMetric="regression", labelCol="label", scoresCol="prediction"
).transform(scoredData)
display(metrics)

Bruges LightGBMRanker til at oplære en rangeringsmodel

I dette afsnit skal du bruge LightGBM til at oprette en rangeringsmodel.

  1. Læs datasættet.

    df = spark.read.format("parquet").load(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/lightGBMRanker_train.parquet"
)
# print some basic info
print("records read: " + str(df.count()))
print("Schema: ")
df.printSchema()
display(df.limit(10))

  2. Oplær rangeringsmodellen ved hjælp af LightGBMRanker.

    from synapse.ml.lightgbm import LightGBMRanker

features_col = "features"
query_col = "query"
label_col = "labels"
lgbm_ranker = LightGBMRanker(
    labelCol=label_col,
    featuresCol=features_col,
    groupCol=query_col,
    predictionCol="preds",
    leafPredictionCol="leafPreds",
    featuresShapCol="importances",
    repartitionByGroupingColumn=True,
    numLeaves=32,
    numIterations=200,
    evalAt=[1, 3, 5],
    metric="ndcg",
    dataTransferMode="bulk"
)

    lgbm_ranker_model = lgbm_ranker.fit(df)

  3. Generér forudsigelser med modellen.

    dt = spark.read.format("parquet").load(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/lightGBMRanker_test.parquet"
)
predictions = lgbm_ranker_model.transform(dt)
predictions.limit(10).toPandas()

Relateret indhold