Megjegyzés
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhat bejelentkezni vagy módosítani a címtárat.
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhatja módosítani a címtárat.
A következőkre vonatkozik:
SQL Server 2016 (13.x) és újabb verziók
A MicrosoftML egy R csomag a Microsoft-tól, amely nagy teljesítményű gépi tanulási algoritmusokat kínál. Tartalmaz funkciókat a képzéshez és transzformációkhoz, pontozáshoz, szöveg- és képelemzéshez, valamint jellemzők kinyeréséhez szükséges értékek leszármaztatására meglévő adatokból. A csomag a SQL Server Machine Learning Services és SQL Server 2016 R Services részeként szerepel, és magas teljesítményt támogat a big data-kon, többmagos feldolgozást és gyors adatfolyamot. A MicrosoftML számos szöveg- és képfeldolgozási transzformációt is tartalmaz.
Teljes referenciadokumentáció
A MicrosoftML csomag több Microsoft termékben is elérhető, de a használat ugyanaz, akár SQL Server-ben, akár más termékben kapod meg. Mivel a függvények ugyanazok, az egyes RevoScaleR függvények dokumentációja csak egy helyen jelenik meg az R hivatkozás alatt. Ha léteznek termékspecifikus viselkedések, az eltéréseket a függvény súgóoldalán fogjuk feljegyezni.
Verziók és platformok
A MicrosoftML csomag az R 3.5.2-re épül, és csak akkor érhető el, ha az alábbi Microsoft termékek vagy letöltések egyikét telepíted:
Note
A teljes termékkiadású verziók kizárólag Windows verzióban elérhetők az SQL Server 2017-ben. Mind a Windows, mind a Linux támogatott a MicrosoftML-hez az SQL Server 2019-ben.
Csomagfüggőségek
A MicrosoftML algoritmusai a RevoScaleR-re támaszkodnak a következőkért:
- Adatforrás objektumok. A MicrosoftML függvények által felhasznált adatokat RevoScaleR függvényekkel hozzák létre.
- Távoli számítástechnika (a függvény végrehajtásának áthelyezése egy távoli SQL Server példányra). A RevoScaleR csomag funkciókat biztosít az SQL Server távoli számítási kontextusának létrehozásához és aktiválásához.
A legtöbb esetben a csomagokat együtt töltöd be, amikor MicrosoftML-t használsz.
Függvények kategória szerint
Ez a rész kategóriák szerint sorolja fel a függvényeket, hogy képet kapj arról, hogyan használják mindegyiket. A tartalomjegyzékben betűrendben is kereshet függvényeket.
1-Gépi tanulási algoritmusok
| Függvény neve | Description |
|---|---|
| rxFastTrees | A FastRank megvalósítása, a MART gradiens booster algoritmus hatékony megvalósítása. |
| rxFastForest | Egy véletlenszerű erdő és kvantil regressziós erdő megvalósítás rxFastTrees használatával. |
| rxLogicRegression | Logisztikai regresszió L-BFGS segítségével. |
| rxOneClassSvm | Egy osztály támogatja a vektorgépeket. |
| rxNeuralNet | Bináris, többosztályos és regressziós neurális hálózat. |
| rxFastLinear | Sztochasztikus duális koordinátaemelkedéses optimalizálás lineáris bináris osztályozáshoz és regresszióhoz. |
| rxEnsemble | Számos különböző modellt képez, hogy jobb előrejelző teljesítményt érjen el, mint amit egyetlen modell képes lenne elérni. |
2-Transzformációs függvények
| Függvény neve | Description |
|---|---|
| concat | Transzformáció, amely egyetlen vektorértékű oszlopot hozhat létre több oszlopból. |
| kategóriás | Hozz létre indikátorvektort kategórikus transzformációval szótárral. |
| categoricalHash | A kategóriabeli értéket indikátori tömbbe alakítja hash-el. |
| featurizeText | Egy adott szövegkorpuszból előállítja az egymást követő szavak sorozatai, azaz az ún. n-gramok előfordulási számának gyűjteményét. Nyelvfelismerést, tokenizációt, stopword eltávolítását, szöveg normalizálását és jellemzők generálását kínálja. |
| getSentiment | Pontozza a természetes nyelvi szöveget, és létrehoz egy oszlopot, amely tartalmazza annak valószínűségét, hogy a szövegben szereplő érzelmek pozitívak. |
| ngram | lehetővé teszi az argumentumok meghatározását a szám- és hash-alapú jellemzők kinyeréséhez. |
| selectColumns | Kiválaszt egy oszlopkészletet az újratanításhoz, az összes többi oszlopot pedig elhagyja. |
| selectFeatures | A megadott változók közül választja ki a jellemzőket egy meghatározott módban. |
| loadImage | Képadatokat tölt be. |
| resizeImage | Átméretezi a képet egy megadott méretre egy megadott átméretezési módszerrel. |
| extractPixels | Kinyeri a pixelértékeket a képből. |
| featurizeImage | Egy előre beképzett mély neurális hálózati modell segítségével featírizálja a képet. |
3-Pontozási és képzési funkciók
| Függvény neve | Description |
|---|---|
| rxPredict.mlModel | A pontozási könyvtárat SQL Server-ből futtatja a tárolt eljárás használatával, vagy R kódból, lehetővé téve a valós idejű pontozást, így sokkal gyorsabb előrejelzési teljesítményt nyújt. |
| rxFeaturize | Az adatokat egy bemeneti adathalmazból egy kimeneti adathalmazmá alakítja. |
| mlModel | Összefoglalót nyújt egy Microsoft R Machine Learning modellről. |
4-Veszteségfüggvények a osztályozáshoz és regresszióhoz
| Függvény neve | Description |
|---|---|
| expLoss | Az exponenciális osztályozási veszteségfüggvény specifikációi. |
| logLoss | A log osztályozási veszteségfüggvény specifikációi. |
| hingeLoss | A zsanérosztályozási veszteségfüggvény specifikációi. |
| smoothHingeLoss | A sima zsanérosztályozási veszteségfüggvény specifikációi. |
| poissonLoss | Poisson regressziós veszteségfüggvény specifikációi. |
| squaredLoss | A négyzetes regressziós veszteségfüggvény specifikációi. |
5-Funkcióválasztási funkciók
| Függvény neve | Description |
|---|---|
| minCount | Specifikáció a jellemzők kiválasztásához számlálási módban. |
| kölcsönös információ | Specifikáció a jellemzők kiválasztására kölcsönös információs módban. |
6-Együttesmodellezési függvények
| Függvény neve | Description |
|---|---|
| fastTrees | Létrehoz egy listát, amely tartalmazza a függvény nevét és argumentumokat, hogy egy Fast Tree modellt képezzen rxEnsemble-lel. |
| fastForest | Létrehoz egy listát, amely tartalmazza a függvény nevét és argumentumokat, hogy egy Fast Forest modellt képezzen rxEnsemble-lel. |
| fastLinear | Létrehoz egy listát, amely tartalmazza a függvény nevét és argumentumait, hogy egy gyors lineáris modellt képezzen rxEnsemble-lel. |
| logisticRegression | Létrehoz egy listát, amely tartalmazza a függvény nevét és argumentumait, hogy egy logisztikai regressziós modellt képezzen rxEnsemble-lel. |
| oneClassSvm | Létrehoz egy listát, amely tartalmazza a függvény nevét és argumentumokat, hogy OneClassSvm modellt képezzen rxEnsemble-lel. |
7-Neurális hálózati funkciók
| Függvény neve | Description |
|---|---|
| Optimizer | Meghatározza az rxNeuralNet gépi tanulási algoritmus optimalizálási algoritmusait. |
8-csomagos állapotfüggvények
| Függvény neve | Description |
|---|---|
| rxHashEnv | Egy környezeti objektum, amely a csomagszintű állapot tárolására szolgál. |
Hogyan használjuk a MicrosoftML-t
A MicrosoftML függvényei R kódban hívhatók, amely tárolt eljárásokban kapszulálozva van. A legtöbb fejlesztő helyi környezetben készíti el a MicrosoftML-megoldásokat, majd a kész R-kódot telepítési lépésként tárolt eljárásokba helyezi át.
Az R-hez készült MicrosoftML csomag alapértelmezetten telepítve van az SQL Server 2017-ben.
A csomag alapértelmezetten nincs betöltve. Első lépésként töltsd be a MicrosoftML csomagot, majd a RevoScaleR-t , ha távoli számítási kontextusokat vagy kapcsolódó kapcsolati vagy adatforrás objektumokat kell használnod. Ezután hivatkozz az egyes funkciókra, amikre szükséged vannak.
library(microsoftml);
library(RevoScaleR);
logisticRegression(args);