Tutoriel Python : Entraîner et enregistrer un modèle Python à l’aide de T-SQL

  • Article

S’applique à : SQL Server 2017 (14.x) et versions ultérieures Azure SQL Managed Instance

Dans la quatrième des cinq parties de ce tutoriel, vous allez apprendre à entraîner un modèle de Machine Learning à l’aide des packages Python scikit-Learn et revoscalepy. Ces bibliothèques Python sont déjà installées avec SQL Server Machine Learning.

Vous chargez les modules et appelez les fonctions nécessaires pour créer et entraîner le modèle à l’aide d’une procédure stockée SQL Server. Le modèle nécessite les fonctionnalités de données que vous avez développées dans les parties précédentes de ce tutoriel. Enfin, vous enregistrez le modèle formé dans une table SQL Server.

Dans cet article, vous allez :

  • Créer et effectuer l’apprentissage d’un modèle à l’aide d’une procédure stockée SQL
  • Enregistrer le modèle formé dans une table SQL

Dans la première partie, vous avez installé les prérequis et restauré l’exemple de base de données.

Dans la deuxième partie, vous avez étudié les exemples de données et généré des tracés.

Dans la troisième partie, vous avez appris à créer des fonctionnalités à partir de données brutes à l’aide d’une fonction Transact-SQL. Ensuite, vous avez appelé cette fonction à partir d’une procédure stockée pour créer une table qui contient les valeurs des caractéristiques.

Dans la cinquième partie, vous apprendrez à rendre opérationnels les modèles que vous avez formés et enregistrés dans la quatrième partie.

Diviser les exemples de données dans des jeux d'apprentissage et de test

  1. Créez une procédure stockée appelée PyTrainTestSplit pour diviser les données de la table nyctaxi_sample en deux parties : nyctaxi_sample_training et nyctaxi_sample_testing.

    Exécutez le code suivant pour la créer :

    DROP PROCEDURE IF EXISTS PyTrainTestSplit;
GO

CREATE PROCEDURE [dbo].[PyTrainTestSplit] (@pct int)
AS

DROP TABLE IF EXISTS dbo.nyctaxi_sample_training
SELECT * into nyctaxi_sample_training FROM nyctaxi_sample WHERE (ABS(CAST(BINARY_CHECKSUM(medallion,hack_license)  as int)) % 100) < @pct

DROP TABLE IF EXISTS dbo.nyctaxi_sample_testing
SELECT * into nyctaxi_sample_testing FROM nyctaxi_sample
WHERE (ABS(CAST(BINARY_CHECKSUM(medallion,hack_license)  as int)) % 100) > @pct
GO

  2. Pour diviser vos données à l’aide d’un fractionnement personnalisé, exécutez la procédure stockée et fournissez un paramètre de type entier qui représente le pourcentage de données à allouer au jeu d’apprentissage. Par exemple, l’instruction suivante alloue 60 % des données au jeu d’apprentissage.

    EXEC PyTrainTestSplit 60
GO

Créer un modèle de régression logistique

Une fois les données préparées, vous pouvez les utiliser pour entraîner un modèle. Pour ce faire, vous devez appeler une procédure stockée qui exécute du code Python, en prenant comme entrée la table de données d’apprentissage. Pour ce didacticiel, vous créez deux modèles, tous deux modèles de classification binaire :

  • La procédure stockée PyTrainScikit crée un modèle de prédiction de conseil à l’aide du package scikit-Learn.
  • La procédure stockée TrainTipPredictionModelRxPy crée un modèle de prédiction de conseil à l’aide du package revoscalepy.

Chaque procédure stockée utilise les données d’entrée que vous fournissez pour créer et entraîner un modèle de régression logistique. Tout le code Python est enveloppé dans la procédure stockée système, sp_execute_external_script.

Pour faciliter un nouvel apprentissage du modèle sur les nouvelles données, vous enveloppez l’appel à sp_execute_external_script dans une autre procédure stockée et transmettez les nouvelles données d’apprentissage en tant que paramètre. Cette section vous guidera tout au long du processus.

PyTrainScikit

  1. Dans Management Studio, ouvrez une nouvelle fenêtre de Requête et exécutez l’instruction suivante pour créer la procédure stockée PyTrainScikit. La procédure stockée contient une définition des données d’entrée, vous n’avez pas besoin de fournir de requête d’entrée.

    DROP PROCEDURE IF EXISTS PyTrainScikit;
GO

CREATE PROCEDURE [dbo].[PyTrainScikit] (@trained_model varbinary(max) OUTPUT)
AS
BEGIN
EXEC sp_execute_external_script
  @language = N'Python',
  @script = N'
import numpy
import pickle
from sklearn.linear_model import LogisticRegression

##Create SciKit-Learn logistic regression model
X = InputDataSet[["passenger_count", "trip_distance", "trip_time_in_secs", "direct_distance"]]
y = numpy.ravel(InputDataSet[["tipped"]])

SKLalgo = LogisticRegression()
logitObj = SKLalgo.fit(X, y)

##Serialize model
trained_model = pickle.dumps(logitObj)
',
@input_data_1 = N'
select tipped, fare_amount, passenger_count, trip_time_in_secs, trip_distance, 
dbo.fnCalculateDistance(pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as direct_distance
from nyctaxi_sample_training
',
@input_data_1_name = N'InputDataSet',
@params = N'@trained_model varbinary(max) OUTPUT',
@trained_model = @trained_model OUTPUT;
;
END;
GO

  2. Exécutez les instructions SQL suivantes pour insérer le modèle formé dans la table nyc_taxi_models.

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

    Le traitement des données et l’ajustement du modèle peuvent durer quelques minutes. Les messages éventuellement redirigés vers le flux stdout de Python sont affichés dans la fenêtre Messages de Management Studio. Exemple :

    STDOUT message(s) from external script:
C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES\lib\site-packages\revoscalepy

  3. Ouvrez la table nyc_taxi_models. Vous pouvez voir qu’une nouvelle ligne a été ajoutée, avec le modèle sérialisé dans la colonne model.

    SciKit_model
0x800363736B6C6561726E2E6C696E6561....

TrainTipPredictionModelRxPy

Cette procédure stockée utilise le package Python revoscalepy. Elle contient des objets, des transformations et des algorithmes similaires à ceux fournis pour le package RevoScaleR du langage R.

À l’aide du package revoscalepy, vous pouvez créer des contextes de calcul distants, déplacer des données entre des contextes de calcul, transformer des données et entraîner des modèles prédictifs à l’aide d’algorithmes populaires tels que la régression logistique et linéaire, les arbres de décision, etc. Pour plus d’informations, consultez le module revoscalepy dans SQL Server et la référence de fonction revoscalepy.

  1. Dans Management Studio, ouvrez une nouvelle fenêtre de Requête et exécutez l’instruction suivante pour créer la procédure stockée TrainTipPredictionModelRxPy. Étant donné que la procédure stockée contient déjà une définition des données d’entrée, vous n’avez pas besoin de fournir de requête d’entrée.

    DROP PROCEDURE IF EXISTS TrainTipPredictionModelRxPy;
GO

CREATE PROCEDURE [dbo].[TrainTipPredictionModelRxPy] (@trained_model varbinary(max) OUTPUT)
AS
BEGIN
EXEC sp_execute_external_script 
  @language = N'Python',
  @script = N'
import numpy
import pickle
from revoscalepy.functions.RxLogit import rx_logit

## Create a logistic regression model using rx_logit function from revoscalepy package
logitObj = rx_logit("tipped ~ passenger_count + trip_distance + trip_time_in_secs + direct_distance", data = InputDataSet);

## Serialize model
trained_model = pickle.dumps(logitObj)
',
@input_data_1 = N'
select tipped, fare_amount, passenger_count, trip_time_in_secs, trip_distance, 
dbo.fnCalculateDistance(pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as direct_distance
from nyctaxi_sample_training
',
@input_data_1_name = N'InputDataSet',
@params = N'@trained_model varbinary(max) OUTPUT',
@trained_model = @trained_model OUTPUT;
;
END;
GO

    Cette procédure stockée exécute les étapes suivantes dans le cadre de la formation du modèle :

    • La requête SELECT applique la fonction scalaire personnalisée fnCalculateDistance pour calculer la distance directe entre les points de prise en charge et de dépose. Les résultats de la requête sont stockés dans la variable d’entrée Python par défaut, InputDataset.
    • La variable binaire tipped est utilisée comme étiquette ou colonne de résultat et le modèle est adapté à l’aide de ces colonnes de caractéristiques : passenger_count, trip_distance, trip_time_in_secset direct_distance.
    • Le modèle formé est sérialisé et stocké dans la variable Python logitObj. En ajoutant le mot-clé T-SQL OUTPUT, vous pouvez ajouter la variable en tant que sortie de la procédure stockée. À l’étape suivante, cette variable est utilisée pour insérer le code binaire du modèle dans une table de base de données nyc_taxi_models. Ce mécanisme facilite le stockage et la réutilisation des modèles.

  2. Exécutez la procédure stockée comme suit pour insérer le modèle formé revoscalepy dans la table nyc_taxi_models.

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

    Le traitement des données et l’ajustement du modèle peuvent prendre un certain temps. Les messages éventuellement redirigés vers le flux stdout de Python sont affichés dans la fenêtre Messages de Management Studio. Exemple :

    STDOUT message(s) from external script:
C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES\lib\site-packages\revoscalepy

  3. Ouvrez la table nyc_taxi_models. Vous pouvez voir qu’une nouvelle ligne a été ajoutée, avec le modèle sérialisé dans la colonne model.

    revoscalepy_model
0x8003637265766F7363616c....

Dans partie suivante de ce tutoriel, vous allez utiliser le modèle entraîné pour créer des prédictions.

Étapes suivantes

Dans cet article, vous découvrirez comment :

  • Créer et effectuer l’apprentissage d’un modèle à l’aide d’une procédure stockée SQL
  • Enregistrer le modèle formé dans une table SQL

Tutoriel Python : Exécuter des prédictions avec un script Python incorporé dans une procédure stockée