Kurz: Nasazení modelu clusteringu v R pomocí strojového učení SQL

Platí pro: SQL Server 2016 (13.x) a novější verze Azure SQL Managed Instance

Ve čtvrté části této čtyřdílné série kurzů nasadíte clusteringový model vyvinutý v jazyce R do databáze pomocí služby SQL Server Machine Learning Services nebo clusterů s velkými objemy dat.

Abyste mohli clustering provádět pravidelně, protože se noví zákazníci registrují, musíte mít možnost volat skript R z libovolné aplikace. Uděláte to tak, že do databáze nasadíte skript R tak, že ho umístíte do uložené procedury SQL. Vzhledem k tomu, že se model spouští v databázi, je možné ho snadno vytrénovat na data uložená v databázi.

V tomto článku se dozvíte, jak:

• Vytvoření uložené procedury, která vygeneruje model
• Proveďte shlukování
• Použití informací o clusteringu

V první části jste nainstalovali požadavky a obnovili ukázkovou databázi.

V druhé části jste zjistili, jak připravit data z databáze na clustering.

Ve třetí části jste se dozvěděli, jak vytvořit a trénovat model clusteringu K-Means v R.

Prerequisites

• Část 4 této série kurzů předpokládá, že jste splnili požadavky první části a dokončili kroky ve druhé a třetí části.

Vytvoření uložené procedury, která vygeneruje model

Spuštěním následujícího skriptu T-SQL vytvořte uloženou proceduru. Postup znovu vytvoří kroky, které jste vytvořili ve dvou částech a třech z této série kurzů:

• klasifikovat zákazníky na základě historie nákupů a vrácení
• Generování čtyř clusterů zákazníků pomocí algoritmu K-Means

Tento postup uloží výsledné mapování clusteru zákazníků do databázové tabulky customer_return_clusters.

USE [tpcxbb_1gb]
DROP PROC IF EXISTS generate_customer_return_clusters;
GO
CREATE procedure [dbo].[generate_customer_return_clusters]
AS
/*
  This procedure uses R to classify customers into different groups
  based on their purchase & return history.
*/
BEGIN
    DECLARE @duration FLOAT
    , @instance_name NVARCHAR(100) = @@SERVERNAME
    , @database_name NVARCHAR(128) = db_name()
-- Input query to generate the purchase history & return metrics
    , @input_query NVARCHAR(MAX) = N'
SELECT ss_customer_sk AS customer,
    round(CASE 
            WHEN (
                    (orders_count = 0)
                    OR (returns_count IS NULL)
                    OR (orders_count IS NULL)
                    OR ((returns_count / orders_count) IS NULL)
                    )
                THEN 0.0
            ELSE (cast(returns_count AS NCHAR(10)) / orders_count)
            END, 7) AS orderRatio,
    round(CASE 
            WHEN (
                    (orders_items = 0)
                    OR (returns_items IS NULL)
                    OR (orders_items IS NULL)
                    OR ((returns_items / orders_items) IS NULL)
                    )
                THEN 0.0
            ELSE (cast(returns_items AS NCHAR(10)) / orders_items)
            END, 7) AS itemsRatio,
    round(CASE 
            WHEN (
                    (orders_money = 0)
                    OR (returns_money IS NULL)
                    OR (orders_money IS NULL)
                    OR ((returns_money / orders_money) IS NULL)
                    )
                THEN 0.0
            ELSE (cast(returns_money AS NCHAR(10)) / orders_money)
            END, 7) AS monetaryRatio,
    round(CASE 
            WHEN (returns_count IS NULL)
                THEN 0.0
            ELSE returns_count
            END, 0) AS frequency
FROM (
    SELECT ss_customer_sk,
        -- return order ratio
        COUNT(DISTINCT (ss_ticket_number)) AS orders_count,
        -- return ss_item_sk ratio
        COUNT(ss_item_sk) AS orders_items,
        -- return monetary amount ratio
        SUM(ss_net_paid) AS orders_money
    FROM store_sales s
    GROUP BY ss_customer_sk
    ) orders
LEFT OUTER JOIN (
    SELECT sr_customer_sk,
        -- return order ratio
        count(DISTINCT (sr_ticket_number)) AS returns_count,
        -- return ss_item_sk ratio
        COUNT(sr_item_sk) AS returns_items,
        -- return monetary amount ratio
        SUM(sr_return_amt) AS returns_money
    FROM store_returns
    GROUP BY sr_customer_sk
    ) returned ON ss_customer_sk = sr_customer_sk
 '
EXECUTE sp_execute_external_script
      @language = N'R'
    , @script = N'
# Define the connection string

connStr <- paste("Driver=SQL Server; Server=", instance_name,
                 "; Database=", database_name,
                 "; uid=Username;pwd=Password; ",
                 sep="" )

# Input customer data that needs to be classified.
# This is the result we get from the query.
library(RODBC)

ch <- odbcDriverConnect(connStr);

customer_data <- sqlQuery(ch, input_query)

sqlDrop(ch, "customer_return_clusters")

## create clustering model
clust <- kmeans(customer_data[,2:5],4)

## create clustering output for table
customer_cluster <- data.frame(cluster=clust$cluster,customer=customer_data$customer,orderRatio=customer_data$orderRatio,
			itemsRatio=customer_data$itemsRatio,monetaryRatio=customer_data$monetaryRatio,frequency=customer_data$frequency)

## write cluster output to DB table
sqlSave(ch, customer_cluster, tablename = "customer_return_clusters")

## clean up
odbcClose(ch)
'
    , @input_data_1 = N''
    , @params = N'@instance_name nvarchar(100), @database_name nvarchar(128), @input_query nvarchar(max), @duration float OUTPUT'
    , @instance_name = @instance_name
    , @database_name = @database_name
    , @input_query = @input_query
    , @duration = @duration OUTPUT;
END;

GO

Proveď klastrovaní

Teď, když jste vytvořili uloženou proceduru, spusťte následující skript pro clustering.

--Empty table of the results before running the stored procedure
TRUNCATE TABLE customer_return_clusters;

--Execute the clustering
--This will load the table customer_return_clusters with cluster mappings
EXECUTE [dbo].[generate_customer_return_clusters];

Ověřte, že funguje a že máme skutečně seznam zákazníků a jejich mapování clusterů.

--Select data from table customer_return_clusters
--to verify that the clustering data was loaded
SELECT TOP (5) *
FROM customer_return_clusters;

Tady je soubor výsledků.

cluster  customer  orderRatio  itemsRatio  monetaryRatio  frequency
1        29727     0           0           0              0
4        26429     0           0           0.041979       1
2        60053     0           0           0.065762       3
2        97643     0           0           0.037034       3
2        32549     0           0           0.031281       4

Použití informací o clusteringu

Vzhledem k tomu, že jste v databázi uložili postup clusteringu, může efektivně provádět clustering s daty zákazníků uloženými ve stejné databázi. Postup můžete provést při každé aktualizaci zákaznických dat a použití aktualizovaných informací o clusteringu.

Předpokládejme, že chcete zákazníkům v clusteru 0 poslat propagační e-mail, skupinu, která byla neaktivní (můžete vidět, jak byly čtyři clustery popsány ve třetí části tohoto kurzu). Následující kód vybere e-mailové adresy zákazníků v clusteru 0.

USE [tpcxbb_1gb]
--Get email addresses of customers in cluster 0 for a promotion campaign
SELECT customer.[c_email_address], customer.c_customer_sk
  FROM dbo.customer
  JOIN
  [dbo].[customer_clusters] as c
  ON c.Customer = customer.c_customer_sk
  WHERE c.cluster = 0

Hodnotu c.cluster můžete změnit tak, aby vracela e-mailové adresy pro zákazníky v jiných clusterech.

Vyčistěte zdroje

Až tento kurz dokončíte, můžete databázi tpcxbb_1gb odstranit.

Další kroky

Ve čtvrté části této série kurzů jste se naučili:

• Vytvoření uložené procedury, která vygeneruje model
• Provádění clusteringu s využitím strojového učení SQL
• Použití informací o clusteringu

Další informace o používání jazyka R ve službě Machine Learning Services najdete tady:

• Spouštění jednoduchých skriptů jazyka R
• Datové struktury R, typy a objekty
• Funkce jazyka R