LightGBM-modellek használata a SynapseML-lel a Microsoft Fabricben

  • Cikk

A LightGBM-keretrendszer kiváló minőségű és GPU-kompatibilis döntési fa algoritmusok létrehozására specializálódott a rangsoroláshoz, besoroláshoz és sok más gépi tanulási feladathoz. Ebben a cikkben a LightGBM használatával készít besorolási, regressziós és rangsorolási modelleket.

A LightGBM egy nyílt forráskódú, elosztott, nagy teljesítményű színátmenet-növelő keretrendszer (GBDT, GBRT, GBM vagy MART). A LightGBM a Microsoft DMTK-projektjének része. A LightGBM-et a LightGBMClassifier, a LightGBMRegressor és a LightGBMRanker használatával használhatja. A LightGBM a meglévő SparkML-folyamatokba való beépítésének és a számítási feladatok kötegelt, streamelésének és kiszolgálásának előnyeivel jár. Emellett számos beállítható paramétert is kínál, amelyekkel testre szabható a döntési farendszer. A Spark LightGBM új típusú problémákat is támogat, például a kvantilis regressziót.

Előfeltételek

  • Microsoft Fabric-előfizetés lekérése. Vagy regisztráljon egy ingyenes Microsoft Fabric-próbaverzióra.

  • Jelentkezzen be a Microsoft Fabricbe.

  • A kezdőlap bal oldalán található élménykapcsolóval válthat a Synapse Adattudomány felületre.

    Screenshot of the experience switcher menu, showing where to select Data Science.

  • Lépjen a Microsoft Fabric Adattudomány felületére.
  • Hozzon létre egy új jegyzetfüzetet.
  • Csatolja a jegyzetfüzetet egy tóházhoz. A jegyzetfüzet bal oldalán válassza a Hozzáadás lehetőséget egy meglévő tóház hozzáadásához, vagy hozzon létre egy újat.

Besorolási LightGBMClassifier modell betanítása

Ebben a szakaszban a LightGBM használatával fog létrehozni egy besorolási modellt a csőd előrejelzéséhez.

  1. Olvassa el az adathalmazt.

    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. Ossza fel az adathalmazt betanítási és tesztelési csoportokra.

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

  3. Adjon hozzá egy featurálót a funkciók vektorokká alakításához.

    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. Ellenőrizze, hogy az adatok kiegyensúlyozatlanok-e.

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

  5. A modell betanítása a következővel LightGBMClassifier: .

    from synapse.ml.lightgbm import LightGBMClassifier

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

    model = model.fit(train_data)

  6. A funkció fontosságának megjelenítése

    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. Előrejelzések létrehozása a modellel

    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)

Kvantilis LightGBMRegressor regressziós modell betanítása

Ebben a szakaszban a LightGBM használatával fog regressziós modellt létrehozni a kábítószerek felderítéséhez.

  1. Olvassa el az adathalmazt.

    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. Ossza fel az adathalmazt betanítási és tesztelési csoportokra.

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

  3. A modell betanítása a következővel LightGBMRegressor: .

    from synapse.ml.lightgbm import LightGBMRegressor

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

    print(model.getFeatureImportances())

  4. Előrejelzések létrehozása a modellel.

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

    from synapse.ml.train import ComputeModelStatistics

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

Rangsorolási LightGBMRanker modell betanítása

Ebben a szakaszban a LightGBM használatával fog létrehozni egy rangsorolási modellt.

  1. Olvassa el az adathalmazt.

    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. A rangsorolási modell betanítása a következővel 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",
)

    lgbm_ranker_model = lgbm_ranker.fit(df)

  3. Előrejelzések létrehozása a modellel.

    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()

Kapcsolódó tartalom