Python-oktatóanyag: Lineáris regressziós modell betanítása SQL machine learning használatával

A következőkre vonatkozik: Sql Server 2017 (14.x) és újabb verziók Felügyelt Azure SQL-példány

A négyrészes oktatóanyag-sorozat harmadik részében egy lineáris regressziós modellt tanít be a Pythonban. A sorozat következő részében ezt a modellt egy SQL Server-adatbázisban fogja üzembe helyezni a Machine Learning Services szolgáltatással vagy az SQL Server 2019 Big Data-fürtökön.

Ebben a cikkben megtudhatja, hogyan:

• Lineáris regressziós modell betanítása
• Előrejelzések készítése lineáris regressziós modellel

Az első részben megtanulta, hogyan állíthatja vissza a mintaadatbázist.

A második részben megtanulta, hogyan töltheti be az adatokat egy adatbázisból egy Python-adatkeretbe, és hogyan készítheti elő az adatokat a Pythonban.

A negyedik részben megtanulhatja, hogyan tárolhatja a modellt egy adatbázisban, majd hogyan hozhat létre tárolt eljárásokat a második és harmadik részben kifejlesztett Python-szkriptekből. A tárolt eljárások befutnak a kiszolgálón, hogy új adatok alapján előrejelzéseket készítsenek.

Előfeltételek

• Az oktatóanyag harmadik része feltételezi, hogy elvégezte az első részt és annak előfeltételeit, beleértve a szükséges Python-csomagok telepítését is.

A modell betanítása

Az előrejelzéshez olyan függvényt (modellt) kell találnia, amely a legjobban leírja az adathalmaz változói közötti függőséget. Ez a modell betanítása volt. A betanítási adatkészlet a sorozat második részében létrehozott pandas-adatkeretből származó teljes adatkészlet df részhalmaza lesz.

A modellt lin_model lineáris regressziós algoritmussal tanítja be.

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Store the variable we'll be predicting on.
target = "Rentalcount"

# Generate the training set.  Set random_state to be able to replicate results.
train = df.sample(frac=0.8, random_state=1)

# Select anything not in the training set and put it in the testing set.
test = df.loc[~df.index.isin(train.index)]

# Print the shapes of both sets.
print("Training set shape:", train.shape)
print("Testing set shape:", test.shape)

# Initialize the model class.
lin_model = LinearRegression()

# Fit the model to the training data.
lin_model.fit(train[columns], train[target])

Az alábbihoz hasonló eredményeket kell látnia.

Training set shape: (362, 7)
Testing set shape: (91, 7)

Előrejelzések készítése

Használjon előrejelzési függvényt a bérleti díjak számának előrejelzéséhez a modell lin_modelhasználatával.

# Generate our predictions for the test set.
lin_predictions = lin_model.predict(test[columns])
print("Predictions:", lin_predictions)

# Compute error between our test predictions and the actual values.
lin_mse = mean_squared_error(lin_predictions, test[target])
print("Computed error:", lin_mse)

Az alábbihoz hasonló eredményeket kell látnia.

Predictions: [124.41293228 123.8095075  117.67253182 209.39332151 135.46159387
 199.50603805 472.14918499  90.15781602 216.61319499 120.30710327
  89.47591091 127.71290441 207.44065517 125.68466139 201.38119194
 204.29377218 127.4494643  113.42721447 127.37388762  94.66754136
  90.21979191 173.86647615 130.34747586 111.81550069 118.88131715
 124.74028405 211.95038051 202.06309706 123.53053083 167.06313191
 206.24643852 122.64812937 179.98791527 125.1558454  168.00847713
 120.2305587  196.60802649 117.00616326 173.20010759  89.9563518
  92.11048236 120.91052805 175.47818992 129.65196995 120.97443971
 175.95863082 127.24800008 135.05866542 206.49627783  91.63004147
 115.78280925 208.92841718 213.5137192  212.83278197  96.74415948
  95.1324457  199.9089665  206.10791806 126.16510228 120.0281266
 209.08150631 132.88996619 178.84110582 128.85971386 124.67637239
 115.58134503  96.82167192 514.61789505 125.48319717 207.50359894
 121.64080826 201.9381774  113.22575025 202.46505762  90.7002328
  92.31194658 201.25627228 516.97252195  91.36660136 599.27093251
 199.6445585  123.66905128 117.4710676  173.12259514 129.60359486
 209.59478573 206.29481361 210.69322009 205.50255751 210.88011563
 207.65572019]
Computed error: 35003.54030828391

Következő lépések

Az oktatóanyag-sorozat harmadik részében az alábbi lépéseket hajtotta végre:

• Lineáris regressziós modell betanítása
• Előrejelzések készítése lineáris regressziós modellel

A létrehozott gépi tanulási modell üzembe helyezéséhez kövesse az oktatóanyag-sorozat negyedik részét:

Python-oktatóanyag: Gépi tanulási modell üzembe helyezése