Créer des modèles R (tutoriel SQL Server et RevoScaleR)

S’applique à : SQL Server 2016 (13.x) et versions ultérieures

Il s’agit du tutoriel 7 de la série de tutoriels RevoScaleR qui traite de l’utilisation des fonctions RevoScaleR avec SQL Server.

Vous avez enrichi les données de formation. Dans ce tutoriel, vous allez analyser les données à l’aide de la modélisation de régression. Les modèles linéaires sont un outil important dans le monde de l’analyse prédictive. Le package RevoScaleR comprend des algorithmes de régression qui peuvent subdiviser la charge de travail et l’exécuter en parallèle.

• Créer un modèle de régression linéaire
• Créer un modèle de régression logistique

Créer un modèle de régression linéaire

Lors de cette étape, vous allez créer un modèle linéaire simple qui estime le solde de carte de crédit des clients, en utilisant comme variables indépendantes les valeurs des colonnes gender et creditLine.

Pour cela, vous utilisez la fonction rxLinMod, qui prend en charge les contextes de calcul distants.

1. Créez une variable R pour stocker le modèle terminé et appelez rxLinMod en transmettant une formule appropriée.

   linModObj <- rxLinMod(balance ~ gender + creditLine,  data = sqlFraudDS)
   

2. Pour afficher une synthèse des résultats, appelez la fonction summary standard de R sur l’objet de modèle.

   summary(linModObj)
   

Il peut vous paraître étrange qu’une simple fonction R comme summary fonctionne ici, puisque dans l’étape précédente, vous avez défini le contexte de calcul sur le serveur. Toutefois, même lorsque la fonction rxLinMod utilise le contexte de calcul à distance pour créer le modèle, il retourne également un objet qui contient le modèle pour votre station de travail locale et le stocke dans le répertoire partagé.

Par conséquent, vous pouvez exécuter des commandes R standard sur le modèle comme s’il avait été créé en utilisant le contexte « local ».

Résultats

Linear Regression Results for: balance ~ gender + creditLineData: sqlFraudDS (RxSqlServerData Data Source)
Dependent variable(s): balance
Total independent variables: 4 (Including number dropped: 1)
Number of valid observations: 10000
Number of missing observations: 0
Coefficients: (1 not defined because of singularities)

Estimate Std. Error t value Pr(>|t|) (Intercept)
3253.575 71.194 45.700 2.22e-16
gender=Male -88.813 78.360 -1.133 0.257
gender=Female Dropped Dropped Dropped Dropped
creditLine 95.379 3.862 24.694 2.22e-16
Signif. codes: 0  0.001  0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3812 on 9997 degrees of freedom
Multiple R-squared: 0.05765
Adjusted R-squared: 0.05746
F-statistic: 305.8 on 2 and 9997 DF, p-value: < 2.2e-16
Condition number: 1.0184

Créer un modèle de régression logistique

Créez ensuite un modèle de régression logistique qui indique si un client particulier présente un risque de fraude. Vous utilisez la fonction RevoScaleR rxLogit, qui prend en charge l’ajustement des modèles de régression logistique dans des contextes de calcul distants.

Conservez le contexte de calcul tel quel. Vous continuez aussi à utiliser la même source de données.

1. Appelez la fonction rxLogit , puis passez la formule nécessaire pour définir le modèle.

   logitObj <- rxLogit(fraudRisk ~ state + gender + cardholder + balance + numTrans + numIntlTrans + creditLine, data = sqlFraudDS, dropFirst = TRUE)
   

   Comme il s’agit d’un modèle de grande taille, contenant 60 variables indépendantes, y compris les trois variables factices qui sont supprimées, vous devrez peut-être attendre que le contexte de calcul retourne l’objet.

   La raison pour laquelle la taille du modèle est si importante est que, dans R (et dans le package RevoScaleR ), chaque niveau d’une variable de facteur de catégorie est automatiquement traité comme une variable factice distincte.

2. Pour afficher un résumé du modèle retourné, appelez la fonction R summary .

   summary(logitObj)
   

Résultats partiels

Logistic Regression Results for: fraudRisk ~ state + gender + cardholder + balance + numTrans + numIntlTrans + creditLine
Data: sqlFraudDS (RxSqlServerData Data Source)
Dependent variable(s): fraudRisk
Total independent variables: 60 (Including number dropped: 3)
Number of valid observations: 10000 -2

LogLikelihood: 2032.8699 (Residual deviance on 9943 degrees of freedom)

Coefficients:
Estimate Std. Error z value Pr(>|z|)     (Intercept)
-8.627e+00  1.319e+00  -6.538 6.22e-11
state=AK                Dropped    Dropped Dropped  Dropped
state=AL             -1.043e+00  1.383e+00  -0.754   0.4511

(other states omitted)

gender=Male             Dropped    Dropped Dropped  Dropped
gender=Female         7.226e-01  1.217e-01   5.936 2.92e-09
cardholder=Principal    Dropped    Dropped Dropped  Dropped
cardholder=Secondary  5.635e-01  3.403e-01   1.656   0.0977
balance               3.962e-04  1.564e-05  25.335 2.22e-16
numTrans              4.950e-02  2.202e-03  22.477 2.22e-16
numIntlTrans          3.414e-02  5.318e-03   6.420 1.36e-10
creditLine            1.042e-01  4.705e-03  22.153 2.22e-16

Signif. codes:  0 '\*\*\*' 0.001 '\*\*' 0.01 '\*' 0.05 '.' 0.1 ' ' 1
Condition number of final variance-covariance matrix: 3997.308
Number of iterations: 15

Étapes suivantes

Affecter un score à de nouvelles données