Compartilhar via

Usar modelos LightGBM com SynapseML no Microsoft Fabric

  • Artigo

A estrutura LightGBM é especializada na criação de algoritmos de árvore de decisão habilitados para GPU e alta qualidade para classificação, classificação e muitas outras tarefas de machine learning. Neste artigo, você usará LightGBM para criar modelos de classificação, regressão e classificação.

O LightGBM é uma estrutura de gradient boosting (GBDT, GBRT, GBM ou MART) de código aberto, distribuída e de alto desempenho. O LightGBM faz parte do projeto DMTK da Microsoft. Você pode usar o LightGBM usando LightGBMClassifier, LightGBMRegressor e LightGBMRanker. O LightGBM tem a vantagem de ser incorporado em pipelines SparkML existentes e usado para cargas de trabalho em lote, streaming e serviço. Ele também oferece uma ampla variedade de parâmetros ajustáveis que podem ser usados para personalizar o sistema de árvore de decisão. O LightGBM no Spark também dá suporte aos novos tipos de problemas, como regressão quantile.

Pré-requisitos

  • Acesse a experiência de Ciência de Dados no Microsoft Fabric.
  • Criar um notebook novo
  • Anexe o notebook a um lakehouse. No lado esquerdo, selecione Adicionar para adicionar um lakehouse existente ou criar um.

Use LightGBMClassifier para treinar um modelo de classificação.

Nesta seção, você usará o LightGBM para criar um modelo de classificação para prever a falência.

  1. Leia o conjunto de dados.

    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. Divide o conjunto de dados em conjuntos de treinamento e teste.

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

  3. Adicione um gerador de recursos para converter recursos em vetores.

    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. Verifique se os dados estão desequilibrados.

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

  5. Treine o modelo usando 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. Visualizar a importância do recurso

    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. Gerar previsões com base em um modelo

    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)

Usar LightGBMRegressor para treinar um modelo de regressão quâncula

Nesta seção, você usará o LightGBM para criar um modelo de regressão para descoberta de medicamentos.

  1. Leia o conjunto de dados.

    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. Divide o conjunto de dados em conjuntos de treinamento e teste.

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

  3. Treine o modelo usando 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. Gerar previsões com o modelo.

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

    from synapse.ml.train import ComputeModelStatistics

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

Usar LightGBMRanker para treinar um modelo de classificação

Nesta seção, você usará o LightGBM para criar um modelo de classificação.

  1. Leia o conjunto de dados.

    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. Treine o modelo de classificação usando 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. Gerar previsões com o modelo.

    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()

Conteúdo relacionado