Tutorial de R: Entrenamiento y guardado del modelo

  • Artículo

Se aplica a: SQL Server 2016 (13.x) y versiones posteriores Azure SQL Managed Instance

En la parte cuatro de esta serie de tutoriales de cinco partes, aprenderá a entrenar un modelo de Machine Learning mediante R. Deberá entrenar el modelo con las características de datos que creó en la parte anterior y después guardar el modelo entrenado en una tabla de SQL Server. En este caso, los paquetes de R ya se han instalado con R Services (en bases de datos), por lo que todo se puede hacer desde SQL.

En este artículo, hará lo siguiente:

  • Crear y entrenar un modelo mediante un procedimiento almacenado de SQL
  • Guardar el modelo entrenado en una tabla SQL

En la parte uno, ha instalado los requisitos previos y ha restaurado la base de datos de ejemplo.

En la parte dos, revisó los datos de ejemplo y generó algunos trazados.

En la tres, aprendió a crear características a partir de datos sin procesar mediante una función de Transact-SQL. Después, llamó a esa función desde un procedimiento almacenado para crear una tabla que contiene los valores de las características.

En la parte cinco, aprenderá a poner en marcha los modelos entrenados y guardados en la parte cuatro.

Creación del procedimiento almacenado

Al llamar a R desde T-SQL, utilice el procedimiento almacenado del sistema sp_execute_external_script. Sin embargo, para procesos que repite a menudo, como volver a entrenar un modelo, es más fácil encapsular la llamada a sp_execute_external_script en otro procedimiento almacenado.

  1. En Management Studio, abra una nueva ventana de consulta.

  2. Ejecute la siguiente instrucción para crear el procedimiento almacenado RTrainLogitModel. Este procedimiento almacenado define los datos de entrada y usa glm para crear un modelo de regresión logística.

    CREATE PROCEDURE [dbo].[RTrainLogitModel] (@trained_model varbinary(max) OUTPUT)

AS
BEGIN
  DECLARE @inquery nvarchar(max) = N'
    select tipped, fare_amount, passenger_count,trip_time_in_secs,trip_distance,
    pickup_datetime, dropoff_datetime,
    dbo.fnCalculateDistance(pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as direct_distance
    from nyctaxi_sample
    tablesample (70 percent) repeatable (98052)
'

  EXEC sp_execute_external_script @language = N'R',
                                  @script = N'
## Create model
logitObj <- glm(tipped ~ passenger_count + trip_distance + trip_time_in_secs + direct_distance, data = InputDataSet, family = binomial)
summary(logitObj)

## Serialize model 
trained_model <- as.raw(serialize(logitObj, NULL));
',
  @input_data_1 = @inquery,
  @params = N'@trained_model varbinary(max) OUTPUT',
  @trained_model = @trained_model OUTPUT; 
END
GO

    • Para asegurarse de que se dejan algunos datos para probar el modelo, el 70 % de los datos se seleccionan aleatoriamente de la tabla de datos de taxi con fines de entrenamiento.

    • La consulta SELECT usa la función escalar personalizada fnCalculateDistance para calcular la distancia directa entre las ubicaciones de origen y destino. Los resultados de la consulta se almacenan en la variable de entrada predeterminada de R InputDataset.

    • El script de R llama a la función glm de R para crear el modelo de regresión logística.

      La variable binaria tipped se usa como la etiqueta o la columna de resultados, y el modelo se ajusta mediante estas columnas específicas: passenger_count, trip_distance, trip_time_in_secs y direct_distance.

    • El modelo entrenado, guardado en la variable de R logitObj, se serializa y se devuelve como un parámetro de salida.

Entreno e implementación del modelo de R usando el procedimiento almacenado

Como el procedimiento almacenado ya incluye una definición de los datos de entrada, no es necesario proporcionar una consulta de entrada.

  1. Para entrenar e implementar el modelo de R, llame al procedimiento almacenado e insértelo en la tabla de base de datos nyc_taxi_models para poder usarlo en predicciones futuras:

    DECLARE @model VARBINARY(MAX);
EXEC RTrainLogitModel @model OUTPUT;
INSERT INTO nyc_taxi_models (name, model) VALUES('RTrainLogit_model', @model);

  2. Vea en la ventana Mensajes de Management Studio los mensajes que se canalizan al flujo stdout de R:

    Mensaje(s) STDOUT del script externo: Filas leídas: 1193025, Total de filas procesadas: 1193025, Tiempo total de fragmentos: 0,093 segundos

  3. Una vez completada la instrucción, abra la tabla nyc_taxi_models. Es posible que el procesamiento de los datos y el ajuste del modelo tarden un rato.

    Puede ver que se ha agregado una fila nueva, que contiene el modelo serializado en la columna model y el nombre del modelo RxTrainLogit_model en la columna name.

    model                        name
---------------------------- ------------------
0x580A00000002000302020....  RTrainLogit_model

En la siguiente parte de este tutorial, usará el modelo entrenado para generar predicciones.

Pasos siguientes

En este artículo:

  • Creó y entrenó un modelo mediante un procedimiento almacenado de SQL
  • Guardó el modelo entrenado en una tabla SQL

Tutorial de R: Ejecución de predicciones en procedimientos almacenados de SQL