ai_predict_class Fonction

S’applique à : Databricks SQL Runtime 19.3 et supérieur

Important

Cette fonctionnalité est en version bêta. Pour l’utiliser, un administrateur d’espace de travail doit activer les fonctions d’IA prédictives depuis la page des aperçus . Consultez Gérer les préversions d’Azure Databricks.

ai_predict_class() entraîne un modèle de classification à partir de lignes où la colonne cible n’est pas NULL et prédit la classe pour les lignes où elle est NULL. La fonction retourne uniquement les lignes qu’elle marque et ajoute des colonnes de prédiction et de confiance aux colonnes d’entrée.

Exigences

• Un entrepôt SQL Pro ou Serverless, ou un cluster exécutant Databricks Runtime 19.3 ou supérieur
• Inscrivez votre espace de travail dans l’aperçu des fonctions d’IA prédictives . Consultez Gérer les préversions d’Azure Databricks.

Syntax

ai_predict_class(
  input => TABLE(input),
  target_col => target_col,
  feature_cols => feature_cols
  [, seed => seed]
)

Arguments

Faites passer tous les arguments scalaires par nom. Vous pouvez passer input par votre nom ou votre position.

• input est l’entrée à valeurs de table qui contient les lignes d’entraînement et les lignes à noter. Les lignes où se trouve la colonne cible ne s’entraînent NULL pas sur le modèle. Les lignes où se trouve NULL la colonne cible sont notées.
• target_col est une constante STRING qui nomme la colonne cible. La cible doit être une colonne numérique de haut niveau, booléenne ou chaîne et ne doit pas apparaître dans feature_cols.
• feature_cols est une constante ARRAY<STRING> non vide qui nomme les colonnes de caractéristiques. Chaque caractéristique doit être une colonne numérique de premier niveau, booléenne ou de chaîne.
• seed (optionnel) est une valeur intégrale qui initialise les opérations pseudo-aléatoires utilisées lors de l’entraînement du modèle. La valeur par défaut est 0.

Returns

La fonction renvoie un tableau contenant les lignes d’entrée où la colonne cible est NULL. La sortie conserve toutes les colonnes d’entrée et ajoute les colonnes suivantes :

• <target_col>_prediction: La classe prédite, avec le même type de données que la colonne cible.
• <target_col>_confidence: A DOUBLE entre 0 et 1 qui contient la probabilité du modèle pour la classe prédite.

Si aucune ligne d’entrée n’a de NULL cible, la fonction retourne une table vide.

Exemple

L’exemple suivant s’adresse aux clients dont les résultats de désabonnement sont connus et prédit si les clients ayant des résultats manquants vont se désamorcer :

WITH customers AS (
  SELECT * FROM VALUES
    (1, 3, 'monthly', true),
    (2, 24, 'annual', false),
    (3, 5, 'monthly', true),
    (4, 30, 'annual', false),
    (5, 8, 'monthly', true),
    (6, 36, 'annual', false),
    (7, 6, 'monthly', NULL),
    (8, 28, 'annual', NULL)
  AS customers(customer_id, tenure_months, plan, churned)
)
SELECT customer_id, churned_prediction, churned_confidence
FROM ai_predict_class(
  input => TABLE(customers),
  target_col => 'churned',
  feature_cols => ARRAY('tenure_months', 'plan'),
  seed => 42
)
ORDER BY customer_id;

Limitations

• Chaque invocation supporte une colonne cible et entraîne un nouveau modèle. La fonction ne fait pas persister le modèle pour la réutilisation.
• Les colonnes cible et caractéristique doivent être des colonnes de niveau supérieur. Les champs imbriqués ne sont pas supportés.
• Les lignes d’entraînement doivent contenir au moins deux valeurs distinctes, non cibléesNULL .
• L’entrée ne doit pas déjà contenir des colonnes nommées <target_col>_prediction ou <target_col>_confidence.

Conditions de l’erreur

Pour les colonnes, types ou arguments invalides, voir AI_PREDICT_INVALID_PARAMETER condition d’erreur. Pour des données d’entraînement insuffisantes, voir AI_PREDICT_INSUFFICIENT_TRAINING_DATA condition d’erreur.

Fonctions associées

Pour prédire une valeur numérique, utilisez ai_predict_value la fonction. Pour classer le texte par rapport aux étiquettes que vous fournissez sans entraîner sur les lignes tabulaires, utilisez ai_classify function. Pour d’autres fonctions d’IA, voir Transformer les données non structurées à l’aide des fonctions IA.