sp_rxPredict
Gilt für: SQL Server 2016 (13.x) und höher – nur Windows
Generiert einen vorhergesagten Wert für eine bestimmte Eingabe, die aus einem Machine Learning-Modell besteht, das in einem Binärformat in einer SQL Server-Datenbank gespeichert ist.
Bietet Bewertungen auf R- und Python-Machine Learning-Modellen in nahezu Echtzeit. sp_rxPredict
ist eine gespeicherte Prozedur, die als Wrapper für
rxPredict
R-Funktion in RevoScaleR und MicrosoftML und die rx_predict Python-Funktion in revoscalepy und microsoftml. Sie ist in C++ geschrieben und speziell für Bewertungsvorgänge optimiert.
Obwohl das Modell mithilfe von R oder Python erstellt werden muss, kann es auch dann verwendet werden, wenn es in einem Binärformat auf einer Zieldatenbankmodulinstanz serialisiert und gespeichert ist, von dieser Datenbankmodulinstanz verwendet werden, auch wenn die R- oder Python-Integration nicht installiert ist. Weitere Informationen finden Sie unter "Echtzeitbewertung mit sp_rxPredict".
Syntax
sp_rxPredict ( @model, @input )
Argumente
Modell
Ein vortrainiertes Modell in einem unterstützten Format.
input
Eine gültige SQL-Abfrage
Rückgabewerte
Es wird eine Bewertungsspalte sowie alle Pass-Through-Spalten aus der Eingabedatenquelle zurückgegeben. Zusätzliche Bewertungsspalten, z. B. Konfidenzintervalle, können zurückgegeben werden, wenn der Algorithmus die Generierung solcher Werte unterstützt.
Hinweise
Um die Verwendung der gespeicherten Prozedur zu aktivieren, muss SQLCLR für die Instanz aktiviert sein.
Hinweis
Es gibt Sicherheitsauswirkungen, um diese Option zu aktivieren. Verwenden Sie eine alternative Implementierung, z. B. die Transact-SQL PREDICT-Funktion , wenn SQLCLR nicht auf Ihrem Server aktiviert werden kann.
Der Benutzer benötigt EXECUTE
die Berechtigung für die Datenbank.
Unterstützte Algorithmen
Zum Erstellen und Trainieren des Modells verwenden Sie einen der unterstützten Algorithmen für R oder Python, die von SQL Server Machine Learning Services (R oder Python) bereitgestellt werden, SQL Server 2016 R Services, SQL Server Machine Learning Server (Standalone) (R oder Python) oder SQL Server 2016 R Server (standalone).
R: RevoScaleR-Modelle
Modelle, die mit * gekennzeichnet sind, unterstützen auch die systemeigene Bewertung mit der PREDICT
Funktion.
R: MicrosoftML-Modelle
R: Von MicrosoftML bereitgestellte Transformationen
Python: Revoscalepy Modelle
- rx_lin_mod *
- rx_logit *
- rx_btrees *
- rx_dtree *
- rx_dforest *
Modelle, die mit * gekennzeichnet sind, unterstützen auch die systemeigene Bewertung mit der PREDICT
Funktion.
Python: Microsoftml-Modelle
- rx_fast_trees
- rx_fast_forest
- rx_logistic_regression
- rx_oneclass_svm
- rx_neural_network
- rx_fast_linear
Python: Von microsoftml bereitgestellte Transformationen
Nicht unterstützte Modelltypen
Die folgenden Modelltypen werden nicht unterstützt:
- Modelle mit den
rxGlm
AlgorithmenrxNaiveBayes
in RevoScaleR. - PMML-Modelle in R.
- Modelle, die mit anderen Drittanbieterbibliotheken erstellt wurden.
- Modelle, die eine Transformationsfunktion oder eine Formel mit einer Transformation enthalten (z.B.
A ~ log(B
), werden bei der Echtzeitbewertung nicht unterstützt. Wenn Sie ein Modell dieses Typs verwenden möchten, wird empfohlen, die Transformation für Eingabedaten durchzuführen, bevor die Daten an die Echtzeitbewertung übergeben werden.
Die Echtzeitbewertung verwendet keinen Dolmetscher, sodass alle Funktionen, die möglicherweise einen Dolmetscher erfordern, während des Bewertungsschritts nicht unterstützt werden.
Beispiele
DECLARE @model = SELECT @model
FROM model_table
WHERE model_name = 'rxLogit trained';
EXEC sp_rxPredict @model = @model,
@inputData = N'SELECT * FROM data';
Neben einer gültigen SQL-Abfrage müssen die Eingabedaten in @inputData Spalten enthalten, die mit den Spalten im gespeicherten Modell kompatibel sind.
sp_rxPredict
unterstützt nur die folgenden .NET-Spaltentypen: double, float, short, ushort, long, ulong und string. Möglicherweise müssen Sie nicht unterstützte Typen in Ihren Eingabedaten herausfiltern, bevor Sie sie für die Echtzeitbewertung verwenden.
Informationen zu entsprechenden SQL-Typen finden Sie unter SQL-CLR-Typzuordnung oder Zuordnen von CLR-Parameterdaten.
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Tickets als Feedbackmechanismus für Inhalte auslaufen lassen und es durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter:Einreichen und Feedback anzeigen für