Del via

Bruke LightGBM-modeller med SynapseML i Microsoft Fabric

  • Artikkel

LightGBM-rammeverket spesialiserer seg på å opprette høykvalitets- og GPU-aktiverte beslutningstrealgoritmer for rangering, klassifisering og mange andre maskinlæringsoppgaver. I denne artikkelen bruker du LightGBM til å bygge klassifiserings-, regresjons- og rangeringsmodeller.

LightGBM er et rammeverk med åpen kildekode, distribuert gradering med høy ytelse (GBDT, GBRT, GBM eller MART). LightGBM er en del av Microsofts DMTK-prosjekt . Du kan bruke LightGBM ved hjelp av LightGBMClassifier, LightGBMRegressor og LightGBMRanker. LightGBM kommer med fordelene ved å bli innlemmet i eksisterende SparkML-rørledninger og brukes til batch, streaming og servering av arbeidsbelastninger. Det tilbyr også et bredt utvalg av tunable parametere, som man kan bruke til å tilpasse beslutningstresystemet. LightGBM på Spark støtter også nye typer problemer, for eksempel quantile regresjon.

Forutsetning

  • Få et Microsoft Fabric-abonnement. Eller registrer deg for en gratis prøveversjon av Microsoft Fabric.

  • Logg på Microsoft Fabric.

  • Bruk opplevelsesbryteren nederst til venstre på hjemmesiden for å bytte til Fabric.

    Skjermbilde av menyen for opplevelsesbryteren, som viser hvor du velger Datavitenskap.

  • Gå til Data Science-opplevelsen i Microsoft Fabric.
  • Opprett en ny notatblokk.
  • Legg notatblokken til et lakehouse. På venstre side av notatblokken velger du Legg til for å legge til et eksisterende lakehouse eller opprette et nytt.

Bruk LightGBMClassifier denne til å lære opp en klassifiseringsmodell

I denne delen bruker du LightGBM til å bygge en klassifiseringsmodell for å forutsi konkurs.

  1. Les datasettet.

    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. Del datasettet inn i tog- og testsett.

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

  3. Legg til en featurizer for å konvertere funksjoner 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. Kontroller om dataene er ubalanserte.

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

  5. Kalibrer modellen ved hjelp av 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 viktighet for funksjoner

    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. Generer prognoser 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)

Bruk LightGBMRegressor denne til å lære opp en quantile regresjonsmodell

I denne delen bruker du LightGBM til å bygge en regresjonsmodell for narkotikaoppdagelse.

  1. Les datasettet.

    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. Del datasettet inn i tog- og testsett.

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

  3. Kalibrer modellen ved hjelp av 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. Generer prognoser 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)

Bruk LightGBMRanker denne til å lære opp en rangeringsmodell

I denne delen bruker du LightGBM til å bygge en rangeringsmodell.

  1. Les datasettet.

    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. Kalibrer rangeringsmodellen ved hjelp av 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. Generer prognoser 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()

Relatert innhold