Přehled LightGBM v SynapseML

LightGBM je opensourcový, distribuovaný, vysoce výkonný přechodový nárůst (GBDT, GBRT, GBM nebo MART). Tato architektura se specializuje na vytváření vysoce kvalitních algoritmů rozhodovacího stromu s podporou GPU pro řazení, klasifikaci a řadu dalších úloh strojového učení. LightGBM je součástí projektu DMTK Od Microsoftu.

Výhody LightGBM

• Kompozičnost: Modely LightGBM je možné začlenit do stávajících kanálů SparkML a použít je k dávkovému streamování a obsluhování úloh.
• Výkon: LightGBM ve Sparku je o 10–30 % rychlejší než SparkML v datové sadě Higgs a dosahuje 15% nárůstu AUC. Paralelní experimenty ověřily , že LightGBM dokáže dosáhnout lineární zrychlení pomocí několika počítačů pro trénování v konkrétních nastaveních.
• Funkce: LightGBM nabízí širokou škálu vyladěných parametrů, které lze použít k přizpůsobení systému rozhodovacího stromu. LightGBM ve Sparku také podporuje nové typy problémů, jako je regrese quantile.
• Multiplatformní prostředí: LightGBM ve Sparku je k dispozici ve Sparku, PySparku a SparklyR.

Využití LightGBM

• LightGBMClassifier: používá se pro vytváření klasifikačních modelů. Abychom například mohli předpovědět, jestli společnost zbankrotuje nebo ne, mohli bychom vytvořit binární klasifikační model s LightGBMClassifier.
• LightGBMRegressor: slouží k vytváření regresních modelů. Například k predikci ceny bydlení bychom mohli vytvořit regresní model s LightGBMRegressor.
• LightGBMRanker: používá se k vytváření modelů řazení. Abychom mohli například předpovědět význam výsledků hledání na webu, můžeme vytvořit model řazení s LightGBMRanker.

Související obsah

• Jak používat modely LightGBM se službou SynapseML v Microsoft Fabric
• Jak používat služby Azure AI se službou SynapseML
• Postup provedení stejné úlohy klasifikace se službou SynapseML a bez této úlohy
• Jak používat model KNN se službou SynapseML