Oversigt over LightGBM i SynapseML

LightGBM er en struktur med åben kildekode, distribueret graduering med høj ydeevne (GBDT, GBRT, GBM eller MART). Denne struktur har specialiseret sig i at oprette algoritmer af høj kvalitet og GPU-aktiverede beslutningstræalgoritmer til rangering, klassificering og mange andre opgaver i forbindelse med maskinel indlæring. LightGBM er en del af Microsofts DMTK-projekt .

Fordele ved LightGBM

• Komposabilitet: LightGBM-modeller kan integreres i eksisterende SparkML-pipelines og bruges til batch-, streaming- og serveringsarbejdsbelastninger.
• Ydeevne: LightGBM på Spark er 10-30 % hurtigere end SparkML på Higgs-datasættet og opnår en stigning på 15 % i AUC. Parallelle eksperimenter har bekræftet, at LightGBM kan opnå en lineær hastighed ved hjælp af flere maskiner til oplæring i bestemte indstillinger.
• Funktionalitet: LightGBM tilbyder et bredt udvalg af justerbare parametre , som man kan bruge til at tilpasse sit beslutningstræsystem. LightGBM on Spark understøtter også nye typer problemer, f.eks. kvantilregression.
• Cross platform: LightGBM on Spark er tilgængelig på Spark, PySpark og SparklyR.

LightGBM-forbrug

• LightGBM-k-lassifier: Bruges til at bygge klassifikationsmodeller. For eksempel, for at forudsige, om en virksomhed vil gå konkurs eller ej, kunne vi bygge en binær klassifikationsmodel med LightGBMClassifier.
• LightGBMRegressor: Bruges til at bygge regressionsmodeller. For eksempel kunne vi for at forudsige boligpriser bygge en regressionsmodel med LightGBMRegressor.
• LightGBMRanker: Bruges til at bygge rangeringsmodeller. Hvis vi f.eks. vil forudsige relevansen af søgeresultaterne på webstedet, kan vi oprette en rangeringsmodel med LightGBMRanker.

Relateret indhold

• Sådan bruger du LightGBM-modeller med SynapseML i Microsoft Fabric
• Sådan bruger du Foundry Tools med SynapseML
• Sådan udfører du den samme klassificeringsopgave med og uden SynapseML
• Sådan bruger du KNN-modellen med SynapseML