Exporter vers Azure SQL Database
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
cet article explique comment utiliser l’option exporter vers Azure SQL Database dans le module exporter des données dans Machine Learning Studio (classic). cette option est utile lorsque vous souhaitez exporter des données à partir de votre expérience Machine Learning vers une Data Warehouse Azure SQL Database ou Azure SQL.
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
l’exportation vers une base de données SQL est utile dans de nombreux scénarios de Machine Learning : par exemple, vous pouvez souhaiter stocker des résultats intermédiaires, enregistrer des scores ou conserver des tables de fonctionnalités développées. bien que le stockage de données dans un Azure SQL Database ou Azure SQL Data Warehouse puisse être plus coûteux que l’utilisation de tables ou d’objets blob dans Azure, il n’y a pas de frais de transaction par rapport aux bases de données SQL. En outre, le stockage de base de données est idéal pour écrire rapidement de plus petites quantités d’informations fréquemment utilisées, pour partager des données entre les expériences, ou pour créer des rapports, des prédictions et des mesures.
En revanche, il peut y avoir des limites sur la quantité de données que vous pouvez stocker dans une base de données, en fonction de votre type d’abonnement. Vous devez également envisager d’utiliser une base de données et un compte qui se trouvent dans la même région que votre espace de travail Machine Learning.
Pour exporter des données, spécifiez le nom de l’instance et le nom de la base de données dans laquelle les données sont stockées, puis exécutez le module à l’aide d’un compte disposant d’autorisations d’accès en écriture. Vous devez également spécifier le nom de la table et mapper les colonnes de votre expérience sur les colonnes de la table.
Comment exporter des données vers un Azure SQL Database
Ajoutez le module Exporter les données à votre expérience dans Studio (Classic). Vous pouvez trouver ce module dans la catégorie entrée et sortie des données .
Connecter exporter des données vers le module qui produit les données que vous souhaitez exporter.
pour destination des données, sélectionnez Azure SQL Database. cette option prend également en charge Azure SQL Data Warehouse.
indiquez le nom du serveur et de la base de données dans Azure SQL Database ou Azure SQL Data Warehouse.
Nom du serveur de base de données: tapez le nom du serveur tel qu’il est généré par Azure. En général, il se présente sous la forme
<generated_identifier>.database.windows.net.Nom de la base de données: tapez le nom d’une base de données existante sur le serveur que vous venez de spécifier. Le module Exporter les données ne peut pas créer de base de données.
Nom du compte d’utilisateur du serveur: tapez le nom d’utilisateur d’un compte disposant des autorisations d’accès à la base de données.
Mot de passe du compte d’utilisateur du serveur: entrez le mot de passe du compte d’utilisateur spécifié.
Spécifiez les colonnes à exporter, et si vous souhaitez renommer les colonnes.
Liste de colonnes séparées par des virgules à enregistrer: tapez les noms des colonnes de l’expérience que vous souhaitez écrire dans la base de données.
Nomde la table de données : tapez le nom de la table dans laquelle stocker les données.
par Azure SQL Database, si la table n’existe pas, une nouvelle table est créée.
par Azure SQL Data Warehouse, la table doit déjà exister et avoir le schéma correct. veillez donc à la créer à l’avance.
Liste de colonnes de DataTable séparées par des virgules: tapez les noms des colonnes comme vous souhaitez qu’elles apparaissent dans la table de destination.
par Azure SQL Database, vous pouvez modifier les noms des colonnes, mais vous devez conserver les colonnes dans l’ordre dans lequel vous avez répertorié les colonnes à exporter, dans la liste des colonnes séparées par des virgules à enregistrer.
pour Azure SQL Data Warehouse, les noms des colonnes doivent correspondre à ceux déjà présents dans le schéma de la table de destination.
nombre de lignes écrites par opération de SQL Azure: cette option spécifie le nombre de lignes qui doivent être écrites dans la table de destination de chaque lot.
Par défaut, la valeur est définie sur 50, qui est la taille de lot par défaut pour Azure SQL Database. Toutefois, vous devez augmenter cette valeur si vous avez un grand nombre de lignes à écrire.
pour Azure SQL Data Warehouse, nous vous recommandons de définir cette valeur sur 1. si vous utilisez une taille de lot plus grande, la taille de la chaîne de commande envoyée à Azure SQL Data Warehouse peut dépasser la longueur de chaîne autorisée, provoquant une erreur.
Utiliser les résultats mis en cache: sélectionnez cette option pour éviter d’écrire de nouveaux résultats chaque fois que l’expérimentation est exécutée. Si aucune autre modification n’est apportée aux paramètres de module, l’expérience écrit les données uniquement lors de la première exécution du module. Toutefois, une nouvelle écriture est toujours effectuée si des paramètres ont été modifiés dans des données d’exportation qui modifieraient les résultats.
Exécutez l’expérience.
Exemples
Pour obtenir des exemples d’utilisation du module exporter des données , consultez la Azure ai Gallery:
Prévision de la vente au détail étape 1 sur 6-prétraitement des données: le modèle de prévision de la vente au détail illustre une tâche de machine learning basée sur les données stockées dans Azure SQLDB. il illustre des techniques utiles, telles que l’utilisation de Azure SQL base de données pour passer des jeux de données entre des expériences dans différents comptes, l’enregistrement et la combinaison de prévisions, et la création d’une base de données Azure SQL uniquement pour Machine Learning.
créez et déployez un modèle de Machine Learning à l’aide de SQL Server sur une machine virtuelle azure: cet article vous guide tout au long de l’utilisation d’une base de données SQL Server hébergée dans une machine virtuelle azure en tant que source pour le stockage des données d’apprentissage et des prédictions. Il illustre également comment utiliser la base de données relationnelle pour l’ingénierie des caractéristiques et la sélection des fonctionnalités.
utilisation d’Azure ML avec Azure SQL Data Warehouse: illustre l’utilisation des données de Azure SQL Data Warehouse pour créer un modèle de clustering.
utilisez Machine Learning avec SQL Data Warehouse: montre comment créer un modèle de régression pour prédire la tarification, à l’aide des données de Azure SQL Data Warehouse.
Notes techniques
Cette section contient des détails, des conseils et des réponses aux questions fréquentes concernant l’implémentation.
Questions courantes
Utilisation d’une base de données dans une autre région géographique
si le Azure SQL Database ou SQL Data Warehouse se trouve dans une autre région que celle du compte Machine Learning, les écritures peuvent être plus lentes.
En outre, vous êtes facturé pour l’entrée et la sortie des données de l’abonnement si le nœud de calcul se trouve dans une région différente de celle du compte de stockage.
Pourquoi certains caractères dans les données de sortie ne s’affichent pas correctement
Machine Learning prend en charge l’encodage UTF-8. Si les colonnes de chaîne de votre base de données utilisent un encodage différent, les caractères peuvent ne pas être enregistrés correctement.
en outre, Machine Learning ne peut pas générer des types de données tels que money .
Paramètres du module
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Source de données | Liste | Source ou récepteur de données | Stockage Blob Azure | la source de données peut être http, FTP, https ou FTPS anonyme, un fichier dans le stockage d’objets BLOB azure, une table azure, une Azure SQL Database ou Azure SQL Data Warehouse, une table Hive ou un point de terminaison OData. |
| Nom du serveur de base de données | n'importe laquelle | String | aucun | |
| Nom de la base de données | n'importe laquelle | String | aucun | |
| Nom de compte utilisateur de serveur | n'importe laquelle | String | aucun | |
| Mot de passe du compte d'utilisateur du serveur | aucun | |||
| Liste de colonnes séparées par des virgules à enregistrer | aucun | |||
| Nom de la table de données | n'importe laquelle | String | aucun | |
| Liste de colonnes de table de données séparées par des virgules | String | String | aucun | String |
| Nombre de lignes écrites par opération SQL Azure | String | Integer | 50 | String |
| Utiliser les résultats mis en cache | TRUE/FALSE | Booléen | false | Le module s’exécute uniquement si le cache valide n’existe pas ; Sinon, utilisez les données mises en cache à partir de l’exécution précédente. |
Exceptions
| Exception | Description |
|---|---|
| Erreur 0027 | Une exception se produit quand deux objets qui doivent avoir la même taille ne l'ont pas. |
| Erreur 0003 | Une exception se produit si une ou plusieurs entrées ont la valeur Null ou sont vides. |
| Erreur 0029 | Une exception se produit lorsqu'un URI non valide est passé. |
| Erreur 0030 | Une exception se produit lorsqu'il n'est pas possible de télécharger un fichier. |
| Erreur 0002 | Une exception se produit si un ou plusieurs paramètres n'ont pas pu être analysés ou convertis à partir du type spécifié dans le type requis par la méthode cible. |
| Erreur 0009 | Une exception se produit si le nom du compte de stockage Azure ou le nom du conteneur est spécifié de manière incorrecte. |
| Erreur 0048 | Une exception se produit quand il n'est pas possible d'ouvrir un fichier. |
| Erreur 0015 | Une exception se produit si la connexion à la base de données a échoué. |
| Erreur 0046 | Une exception se produit quand il n'est pas possible de créer un répertoire sur le chemin d'accès spécifié. |
| Erreur 0049 | Une exception se produit quand il n'est pas possible d'analyser un fichier. |
pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.
pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.
Voir aussi
Importer des données
Exporter les données
Exportation vers Stockage Blob Azure
Exporter vers une requête Hive
Exporter vers Table Azure