使用 GPU 加速的 XGBoost 预测出租车费用

FeelTouch Labs2024-08-10 14:33

目录

XGBoost

[GPU 加速的 XGBoost](#GPU 加速的 XGBoost)

用例数据集示例

[将文件中的数据加载到 DataFrame](#将文件中的数据加载到 DataFrame)

定义特征数组

保存模型

总结

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家， 可以当故事来看，轻松学习。

大数据是用于改善城市生活的10 大领域之一。通过分析城市内的位置信息和行为模式，相关人员可以优化交通、作出更明智的规划决策，并提升广告的智能性。例如，通过分析 GPS 汽车数据，相关人员可以根据城市的实时交通信息优化交通流量。电信公司可利用手机定位数据，通过识别和预测大都市地区的位置活动趋势和人口模式来提供分析洞见。而且，现已证明，将机器学习 (ML) 应用于地理位置数据对于确定电信、旅游、市场营销和制造业的行业模式和发展趋势大有帮助。

在本章中，我们将使用纽约出租车行程公开数据来检验出租车行程数据的回归分析，因为该数据与预测纽约市出租车费用较为相关。首先，我们将概述 XGBoost 算法，然后探讨用例。

XGBoost

XGBoost 即极端梯度提升，是可扩展的分布式梯度提升决策树 (GBDT) 机器学习库。XGBoost 提供并行树提升功能，是应用于回归、分类和排序问题的出色 ML 库。RAPIDS 团队与 Distributed Machine Learning Common (DMLC) XGBoost 组织建立了紧密的合作关系，而且 XGBoost 现已加入无缝嵌入式 GPU 加速特性，可显著加快模型训练速度并提高准确性，从而得出更精确的预测结果。

梯度提升决策树 (GBDT) 是类似于随机森林的决策树集成算法，两者的区别在于树的构建和组合方式。随机森林使用名为 Bagging 的技术，通过数据集的自助抽样样本并行构建完整的决策树。最终得到的预测结果是所有决策树预测结果的平均值。梯度提升决策树使用名为 Boosting 的技术对一组浅层决策树进行迭代训练，每次迭代都会使用为前一个样本中的记录所赋予的权重（并未正确预测），从而减少后继树的错误。最终得到的预测结果是所有决策树预测结果的加权平均值。Bagging 可大幅减少差异和过拟合，而 Boosting 则可大幅减少偏差和欠拟合。

XGBoost 是 GBDT 的变体。使用 GBDT 时，决策树可按顺序构建。使用 XGBoost 时，决策树为并行构建，遵循 level-wise 生长策略，扫描梯度值并使用这些部分和来评估训练集中每个可分割点的分割质量。

GPU 加速的 XGBoost

GPU 加速的 XGBoost 算法利用并行前缀快速求和运算来扫描所有可能的分割，并通过并行基数排序对数据进行重新分区。此算法针对给定的提升迭代构建决策树，一次生成一层，并在 GPU 上同时处理整个数据集。

GPU 加速的 Spark XGBoost 提供以下关键特性：

  • 跨多个 GPU 的 ORC、CSV 和 Parquet 输入文件分区
    几乎任意数量或大小的受支持格式输入文件均可在不同的训练节点之间平均分配。
  • GPU 加速的训练
    XGBoost 训练时间通过训练数据的动态内存表示形式（基于数据集的稀疏性来充分优化存储特性）减少，而不是通过固定内存表示形式（基于不同训练实例中最大数量特性）减少。决策树使用梯度对构建，而梯度对可通过重复使用来节省内存，从而减少副本以提高性能。
  • 高效的 GPU 显存利用
    XGBoost 要求将数据装入显存，从而对使用单个 GPU 或分布式多 GPU 多节点训练的数据大小进行限制。现在，随着 GPU 显存利用率提高，用户可以训练的数据量已达到第一版的五倍。这是在不影响性能的前提下降低培训总成本的关键因素之一。

用例数据集示例

示例数据集为纽约出租车数据集，该数据集已经过清理和转换，可添加特征，如使用此 Spark ETL notebook 的 Haversine 距离。

在此场景中，我们将基于以下特征构建模型，进而预测出租车费用：

  • 标签 🡪 车费
  • 特征 🡪 {passenger count, trip distance, pickup longitude, pickup latitude, rate code, dropoff longitude, dropoff latitude, hour, day of week, is weekend}

将文件中的数据加载到 DataFrame

首先，我们导入 Spark XGBoost 的 GPU 版本和 CPU 版本所需的软件包：

import org.apache.spark.sql.functions._

import org.apache.spark.sql.types._

import org.apache.spark.sql._

import org.apache.spark.ml._

import org.apache.spark.ml.feature._

import org.apache.spark.ml.evaluation._

import org.apache.spark.sql.types._

import ml.dmlc.xgboost4j.scala.spark.{XGBoostRegressor, XGBoostRegressionModel}

使用 Spark XGBoost 的 GPU 版本时，您还需要进行以下导入操作：

import ml.dmlc.xgboost4j.scala.spark.rapids.{GpuDataReader, GpuDataset}

我们使用 Spark StructType 指定模式。

lazy val schema =

StructType(Array(

StructField("vendor_id", DoubleType),

StructField("passenger_count", DoubleType),

StructField("trip_distance", DoubleType),

StructField("pickup_longitude", DoubleType),

StructField("pickup_latitude", DoubleType),

StructField("rate_code", DoubleType),

StructField("store_and_fwd", DoubleType),

StructField("dropoff_longitude", DoubleType),

StructField("dropoff_latitude", DoubleType),

StructField(labelName, DoubleType),

StructField("hour", DoubleType),

StructField("year", IntegerType),

StructField("month", IntegerType),

StructField("day", DoubleType),

StructField("day_of_week", DoubleType),

StructField("is_weekend", DoubleType)

))

在以下代码中，我们创建 Spark 会话并设置训练和评估数据文件路径。（请注意：如果您使用 notebook，则不必创建 SparkSession。）

val trainPath = "/FileStore/tables/taxi_tsmall.csv"

val evalPath = "/FileStore/tables/taxi_esmall.csv"

val spark = SparkSession.builder().appName("Taxi-GPU").getOrCreate

我们将 CSV 文件的数据加载到 Spark DataFrame 中，并指定要加载到 DataFrame 中的数据源和模式，具体如下所示。

val tdf = spark.read.option("inferSchema",

"false").option("header", true).schema(schema).csv(trainPath)

val edf = spark.read.option("inferSchema", "false").option("header",

true).schema(schema).csv(evalPath)

DataFrame show(5) 显示前 5 行：

tdf.select("trip_distance", "rate_code","fare_amount").show(5)

result:

+------------------+-------------+-----------+

| trip_distance| rate_code|fare_amount|

+------------------+-------------+-----------+

| 2.72|-6.77418915E8| 11.5|

| 0.94|-6.77418915E8| 5.5|

| 3.63|-6.77418915E8| 13.0|

| 11.86|-6.77418915E8| 33.5|

| 3.03|-6.77418915E8| 11.0|

+------------------+-------------+-----------+

函数 Describe 返回一个 DataFrame，其中包含描述性汇总统计信息，例如计数、均值、标准差以及每个数字列的最小值和最大值。

tdf.select("trip_distance", "rate_code","fare_amount").describe().show

+-------+------------------+--------------------+------------------+

|summary| trip_distance| rate_code| fare_amount|

+-------+------------------+--------------------+------------------+

| count| 7999| 7999| 7999|

| mean| 3.278923615451919|-6.569284350812602E8|12.348543567945994|

| stddev|3.6320775770793547|1.6677419425906155E8|10.221929466939088|

| min| 0.0| -6.77418915E8| 2.5|

| max|35.970000000000006| 1.957796822E9| 107.5|

+-------+------------------+--------------------+------------------+

以下散点图用于探讨车费与行程距离之间的相关性。

%sql

select trip_distance, fare_amount

from taxi

定义特征数组

需要将由 ML 算法使用的特征进行转换，并将其放入特征向量，这些向量是代表每个特征值的数字向量。如下所示，我们使用 VectorAssembler 转换器返回带有标签和向量特征列的新 DataFrame。

// 特征列名称

val featureNames = Array("passenger_count","trip_distance", "pickup_longitude","pickup_latitude","rate_code","dropoff_longitude", "dropoff_latitude", "hour", "day_of_week","is_weekend")

// 创建转换器

object Vectorize {

def apply(df: DataFrame, featureNames: Seq[String], labelName: String): DataFrame = {

val toFloat = df.schema.map(f => col(f.name).cast(FloatType))

new VectorAssembler()

.setInputCols(featureNames.toArray)

.setOutputCol("features")

.transform(df.select(toFloat:_*))

.select(col("features"), col(labelName))

}

}

// transform 方法添加特征列

var trainSet = Vectorize(tdf, featureNames, labelName)

var evalSet = Vectorize(edf, featureNames, labelName)

trainSet.take(1)

result:

res8: Array[org.apache.spark.sql.Row] =

Array([[5.0,2.7200000286102295,-73.94813537597656,40.82982635498047,-6.77418944E8,-73.96965026855469,40.79747009277344,10.0,6.0,1.0],11.5])

使用 XGBoost GPU 版本时，不需使用 VectorAssembler。

使用 CPU 版本时，应将 num_workers 设置为 CPU 内核数，将 tree_method 设置为"hist"，并在 Vector Assembler 中将特征列设置为输出特征列。

lazy val paramMap = Map(

"learning_rate" -> 0.05,

"max_depth" -> 8,

"subsample" -> 0.8,

"gamma" -> 1,

"num_round" -> 500

)

// 设置 xgboost 参数

val xgbParamFinal = paramMap ++ Map("tree_method" -> "hist", "num_workers" -> 12)

// 创建 xgboostregressor 估测器

val xgbRegressor = new XGBoostRegressor(xgbParamFinal)

.setLabelCol(labelName)

.setFeaturesCol("features")

使用 GPU 版本时，应将 num_workers 设置为 Spark 集群中具有 GPU 的计算机的数量，将 tree_method 设置为"gpu_hist"，并将特征列设置为包含特征名称的字符串数组。

val xgbParamFinal = paramMap ++ Map("tree_method" -> "gpu_hist",

"num_workers" -> 1)

// 创建估测器

val xgbRegressor = new XGBoostRegressor(xgbParamFinal)

.setLabelCol(labelName)

.setFeaturesCols(featureNames)

以下代码在训练数据集上使用 XGBoostRegressor 估测器拟合方法来训练并返回 XGBoostRegressor 模型。此外，我们还使用时间方法返回训练模型的时间，并使用此方法对采用 CPU 和 GPU 的训练时间进行比较。

object Benchmark {

def time[R](phase: String)(block: => R): (R, Float) = {

val t0 = System.currentTimeMillis

val result = block // call-by-name

val t1 = System.currentTimeMillis

println("Elapsed time [" + phase + "]: " +

((t1 - t0).toFloat / 1000) + "s")

(result, (t1 - t0).toFloat / 1000)

}

}

// 使用估测器来拟合（训练）模型

val (model, _) = Benchmark.time("train") {

xgbRegressor.fit(trainSet)

}

尚未用于训练的评估数据集也可用于评估模型的性能。我们使用模型转换方法对测试数据进行预测。

此模型将使用经训练的 XGBoost 模型进行估测，然后在返回的 DataFrame 的新预测列中返回车费预测结果。此处，我们再次使用基准测试时间方法来比较预测时间。

val (prediction, _) = Benchmark.time("transform") {

val ret = model.transform(evalSet).cache()

ret.foreachPartition(_ => ())

ret

}

prediction.select( labelName, "prediction").show(10)

Result:

+-----------+------------------+

|fare_amount| prediction|

+-----------+------------------+

| 5.0| 4.749197959899902|

| 34.0|38.651187896728516|

| 10.0|11.101678848266602|

| 16.5| 17.23284912109375|

| 7.0| 8.149757385253906|

| 7.5|7.5153608322143555|

| 5.5| 7.248467922210693|

| 2.5|12.289423942565918|

| 9.5|10.893491744995117|

| 12.0| 12.06682014465332|

+-----------+------------------+

RegressionEvaluator 评估方法将计算预测列和标签列的均方根误差，即均方误差的平方根。

val evaluator = new RegressionEvaluator().setLabelCol(labelName)

val (rmse, _) = Benchmark.time("evaluation") {

evaluator.evaluate(prediction)

}

println(s"RMSE == $rmse")

Result:

Elapsed time [evaluation]: 0.356s

RMSE == 2.6105287283128353

保存模型

如下所示，可将模型保存到磁盘，以便以后使用。

model.write.overwrite().save(savepath)

保存模型可得到一个元数据的 JSON 文件和一个模型数据的 Parquet 文件。我们可以使用加载命令重新加载模型。原始模型和重新加载的模型相同。

val sameModel = XGBoostRegressionModel.load(savepath)

总结

在本章中，我们介绍了 XGBoost 的工作原理，以及如何将 XGBoost 回归和 Spark 结合使用来预测出租车费用。现在，您可以利用大型数据集，在 CPU 和 GPU 上运行此示例，以比较预测的时间和准确性。

相关推荐
Python极客之家3 天前
基于机器学习的乳腺癌肿瘤智能分析预测系统
人工智能·python·机器学习·毕业设计·xgboost·可视化分析
Python极客之家16 天前
基于机器学习的工业制造缺陷分析预测系统
机器学习·flask·毕业设计·课程设计·xgboost·数据可视化分析
王小王-12319 天前
基于大数据的电信诈骗行为可视化系统含预测研究【lightGBM，XGBoost，随机森林】
大数据·随机森林·信息可视化·xgboost·预测·电信诈骗行为预测·基于大数据电信诈骗
Python极客之家23 天前
基于数据挖掘的心力衰竭疾病风险评估系统
人工智能·python·机器学习·数据挖掘·毕业设计·课程设计·xgboost
deephub23 天前
XGBoost中正则化的9个超参数
人工智能·python·机器学习·xgboost
CXDNW1 个月前
机器学习——XGBoost
人工智能·笔记·机器学习·sklearn·xgboost·集成算法
Jet45052 个月前
第100+16步 ChatGPT学习：R实现Xgboost分类
学习·机器学习·r语言·xgboost
胖哥真不错3 个月前
Python基于逻辑回归分类模型、决策树分类模型、随机森林分类模型和XGBoost分类模型实现乳腺癌分类预测项目实战
python·决策树·随机森林·逻辑回归·xgboost·分类模型·乳腺癌分类预测
胖哥真不错3 个月前
Python基于逻辑回归分类模型、决策树分类模型、LightGBM分类模型和XGBoost分类模型实现车辆贷款违约预测项目实战
python·决策树·机器学习·逻辑回归·xgboost·lightgbm·分类模型
热门推荐
01RAG 实践- Ollama+RagFlow 部署本地知识库02组基轨迹建模 GBTM的介绍与实现（Stata 或 R）032024年高教社杯数学建模国赛C题超详细解题思路分析04Coze扣子平台完整体验和实践（附国内和国际版对比）05苍穹外卖面试总结06【2024数模国赛赛题思路公开】国赛B题思路丨附可运行代码丨无偿自提07yolov8实战第五天——yolov8+ffmpg实时视频流检测并进行实时推流——（推流，保姆教学）08CCF-CSP认证考试 202406-3 文本分词 100分题解09【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文10浏览器插件——ModHeader 的分享和学习