通过

将 LightGBM 模型与 Microsoft Fabric 中的 SynapseML 配合使用

  • 项目

LightGBM 框架专用于创建高质量且支持 GPU 的决策树算法，可用于排名、分类和许多其他机器学习任务。 在本文中，你将使用 LightGBM 构建分类、回归和排名模型。

LightGBM是一种开源的分布式高性能梯度提升（GBDT、GBRT、GBM 或 MART）框架。 LightGBM 是 Microsoft DMTK项目的一部分。 可以使用 LightGBMClassifier、LightGBMRegressor 和 LightGBMRanker。 LightGBM 可以合并到现有的 SparkML 管道中，并用于批处理、流式处理和服务工作负载，具备许多优势。 此外，LightGBM 还提供各种可调整参数，可用于自定义其决策树系统。 Spark 上的 LightGBM 还支持新类型的问题，例如分位数回归。

先决条件

  • 转到 Microsoft Fabric 中的数据科学体验。
  • 创建新的笔记本。
  • 将笔记本附加到湖屋。 在笔记本左侧，选择“添加”以添加现有的湖屋或创建新湖屋。

使用 LightGBMClassifier 训练分类模型

在本部分中，你将使用 LightGBM 构建用于预测破产的分类模型。

  1. 读取数据集。

    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. 将数据集拆分为训练集和测试集。

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

  3. 添加特征化器以将特征转换为矢量。

    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. 检查数据是否不均衡。

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

  5. 使用 LightGBMClassifier 训练模型。

    from synapse.ml.lightgbm import LightGBMClassifier

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

    model = model.fit(train_data)

  6. 可视化特征重要性

    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. 根据模型生成预测

    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)

使用 LightGBMRegressor 训练分位数回归模型

在本部分中，你将使用 LightGBM 构建药物研发的回归模型。

  1. 读取数据集。

    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. 将数据集拆分为训练集和测试集。

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

  3. 使用 LightGBMRegressor 训练模型。

    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. 根据模型生成预测。

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

    from synapse.ml.train import ComputeModelStatistics

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

使用 LightGBMRanker 训练排名模型

在本部分中，你将使用 LightGBM 构建排名模型。

  1. 读取数据集。

    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. 使用 LightGBMRanker 训练排名模型。

    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. 根据模型生成预测。

    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()

相关内容