LightGBM:n yleiskatsaus SynapseML:ssä

LightGBM on avoimen lähdekoodin hajautettu, suorituskykyinen liukuvärin tehoste (GBDT, GBRT, GBM tai MART) -kehys. Tämä kehys on erikoistunut laadukkaiden ja suoritinkäyttöisten päätöspuu-algoritmien luomiseen luokittelua, luokittelua ja monia muita koneoppimistehtäviä varten. LightGBM on osa Microsoftin DMTK-projektia.

LightGBM:n edut

• Yhdistettävyys: LightGBM-mallit voidaan sisällyttää olemassa oleviin SparkML-putkiin ja käyttää erä-, suoratoisto- ja tarjoilukuormituksille.
• Suorituskyky: LightGBM On Spark on 10-30 % nopeampi kuin SparkML Higgs-tietojoukossa ja sen AUC-arvo kasvaa 15 %. Rinnakkaiset kokeet ovat varmistaneet, että LightGBM voi nopeuttaa lineaarista nopeutta käyttämällä useita koneita tiettyjen asetusten harjoittamiseen.
• Toiminnallisuus: LightGBM tarjoaa laajan valikoiman säädettäviä parametreja , joiden avulla voi räätälöidä päätöspuujärjestelmänsä. LightGBM on Spark tukee myös uudenlaisia ongelmia, kuten määrällista regressiota.
• Eri ympäristö: LightGBM on Spark on saatavilla Sparkissä, PySparkissa ja SparklyR:ssä.

LightGBM-käyttö

• LightGBMClassifier: Käytetään luokittelumallien rakentamiseen. Esimerkiksi ennustaaksemme, meneekö yritys konkurssiin vai ei, voisimme rakentaa binääriluokittelumallin, jossa LightGBMClassifieron .
• LightGBMRegressor: Käytetään regressiomallien rakentamiseen. Esimerkiksi asuntojen hintojen ennustamiseksi voisimme rakentaa regressiomallin, jossa LightGBMRegressor.
• LightGBMRanker: Käytetään ranking-mallien rakentamiseen. Esimerkiksi verkkosivuston hakutulosten merkityksen ennustamiseksi voimme luoda sijoitusmallin kohteen avulla LightGBMRanker.

Liittyvä sisältö

• LightGBM-mallien käyttäminen SynapseML:n kanssa Microsoft Fabricissa
• Kuinka käyttää Foundry Toolsia SynapseML:n kanssa
• Saman luokitustehtävän suorittaminen SynapseML:n kanssa ja ilman synapseML:ää
• KNN-mallin käyttäminen SynapseML:n kanssa