Ekspor ke Azure SQL Database
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Artikel ini menjelaskan cara menggunakan opsi Ekspor ke Azure SQL Database dalam modul Ekspor Data di Pembelajaran Mesin Studio (klasik). Opsi ini berguna saat Anda ingin mengekspor data dari eksperimen pembelajaran mesin ke Azure SQL Database atau SQL do Azure Data Warehouse.
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ekspor ke database SQL berguna dalam banyak skenario pembelajaran mesin: misalnya, Anda mungkin ingin menyimpan hasil perantara, menyimpan skor, atau mempertahankan tabel fitur rekayasa. Meskipun menyimpan data dalam Azure SQL Database atau SQL do Azure Data Warehouse bisa lebih mahal daripada menggunakan tabel atau blob di Azure, tidak ada biaya transaksi terhadap database SQL. Selain itu, penyimpanan database sangat ideal untuk menulis dengan cepat sejumlah kecil informasi yang sering digunakan, untuk berbagi data antar eksperimen, atau untuk melaporkan hasil, prediksi, dan metrik.
Di sisi lain, mungkin ada batasan jumlah data yang dapat Anda simpan dalam database, tergantung pada jenis langganan Anda. Anda juga harus mempertimbangkan untuk menggunakan database dan akun yang berada di wilayah yang sama dengan ruang kerja pembelajaran mesin Anda.
Untuk mengekspor data, Anda memberikan nama instans dan nama database tempat data disimpan, dan menjalankan modul menggunakan akun yang memiliki izin tulis. Anda juga harus menentukan nama tabel, dan memetakan kolom dari eksperimen Anda ke kolom dalam tabel.
Cara mengekspor data ke Azure SQL Database
Tambahkan modul Ekspor Data ke eksperimen Anda di Studio (klasik). Anda dapat menemukan modul ini dalam kategori Input dan Output Data .
Koneksi Mengekspor data ke modul yang menghasilkan data yang ingin Anda ekspor.
Untuk tujuan Data, pilih Azure SQL Database. Opsi ini juga mendukung SQL do Azure Data Warehouse.
Tunjukkan nama server dan database di Azure SQL Database atau SQL do Azure Data Warehouse.
Nama server database: Ketik nama server seperti yang dihasilkan oleh Azure. Biasanya memiliki bentuk
<generated_identifier>.database.windows.net.Nama database: Ketik nama database yang ada di server yang baru saja Anda tentukan. Modul Ekspor Data tidak dapat membuat database.
Nama akun pengguna server: Ketik nama pengguna untuk akun yang memiliki izin akses untuk database.
Kata sandi akun pengguna server: Berikan kata sandi untuk akun pengguna yang ditentukan.
Tentukan kolom yang akan diekspor, dan jika Anda ingin mengganti nama kolom.
Daftar kolom yang dipisahkan koma untuk disimpan: Ketik nama kolom dari eksperimen yang ingin Anda tulis ke database.
Nama tabel data: Ketik nama tabel untuk menyimpan data.
Untuk Azure SQL Database, jika tabel tidak ada, tabel baru dibuat.
Untuk SQL do Azure Data Warehouse, tabel harus sudah ada dan memiliki skema yang benar, jadi pastikan untuk membuatnya terlebih dahulu.
Daftar kolom yang dipisahkan koma dari kolom yang dapat dikukus: Ketik nama kolom seperti yang Anda inginkan agar muncul di tabel tujuan.
Untuk Azure SQL Database, Anda dapat mengubah nama kolom, tetapi Anda harus menyimpan kolom dalam urutan yang sama dengan anda mencantumkan kolom untuk diekspor, dalam daftar kolom yang dipisahkan Koma untuk disimpan.
Untuk SQL do Azure Data Warehouse, nama kolom harus cocok dengan yang sudah ada di skema tabel tujuan.
Jumlah baris yang ditulis per SQL operasi Azure: Opsi ini menentukan berapa banyak baris yang harus ditulis ke tabel tujuan di setiap batch.
Secara default, nilai diatur ke 50, yang merupakan ukuran batch default untuk Azure SQL Database. Namun, Anda harus meningkatkan nilai ini jika Anda memiliki sejumlah besar baris untuk ditulis.
Untuk SQL do Azure Data Warehouse, kami sarankan Anda menetapkan nilai ini menjadi 1. Jika Anda menggunakan ukuran batch yang lebih besar, ukuran string perintah yang dikirim ke SQL do Azure Data Warehouse dapat melebihi panjang string yang diizinkan, menyebabkan kesalahan.
Gunakan hasil cache: Pilih opsi ini untuk menghindari penulisan hasil baru setiap kali eksperimen dijalankan. Jika tidak ada perubahan lain pada parameter modul, eksperimen hanya menulis data saat pertama kali modul dijalankan. Namun, penulisan baru selalu dilakukan jika ada parameter yang telah diubah dalam Data Ekspor yang akan mengubah hasilnya.
Jalankan eksperimen.
Contoh
Untuk contoh cara menggunakan modul Ekspor Data , lihat Galeri AI Azure:
Peramalan Ritel Langkah 1 dari 6 - praproses data: Template peramalan ritel mengilustrasikan tugas pembelajaran mesin berdasarkan data yang disimpan di Azure SQLDB. Ini menunjukkan teknik yang berguna, seperti menggunakan database SQL do Azure untuk meneruskan dataset antara eksperimen di akun yang berbeda, menyimpan dan menggabungkan perkiraan, dan cara membuat database SQL do Azure hanya untuk pembelajaran mesin.
Membangun dan menyebarkan model pembelajaran mesin menggunakan SQL Server pada VM Azure: Artikel ini memandu Anda menggunakan database SQL Server yang dihosting di Vm Azure sebagai sumber untuk menyimpan data dan prediksi pelatihan. Ini juga menggambarkan bagaimana database relasional dapat digunakan untuk rekayasa fitur dan pemilihan fitur.
Cara menggunakan ML Azure dengan SQL do Azure Data Warehouse: Menunjukkan penggunaan data dari SQL do Azure Data Warehouse untuk membangun model pengelompokan.
Gunakan Pembelajaran Mesin dengan SQL Data Warehouse: Menunjukkan cara membuat model regresi untuk memprediksi harga, menggunakan data dalam SQL do Azure Data Warehouse.
Catatan teknis
Bagian ini berisi detail implementasi, tips, dan jawaban atas pertanyaan yang sering diajukan.
Pertanyaan umum
Menggunakan database di wilayah geografis yang berbeda
Jika Azure SQL Database atau SQL Data Warehouse berada di wilayah yang berbeda dari akun pembelajaran mesin, penulisan mungkin lebih lambat.
Selain itu, Anda dikenakan biaya untuk masuknya data dan keluar pada langganan jika node komputasi berada di wilayah yang berbeda dari akun penyimpanan.
Mengapa beberapa karakter dalam data output tidak ditampilkan dengan benar
Pembelajaran Mesin mendukung pengkodean UTF-8. Jika kolom string dalam database Anda menggunakan pengkodean yang berbeda, karakter mungkin tidak disimpan dengan benar.
Selain itu, Pembelajaran Mesin tidak dapat mengeluarkan tipe data seperti money.
Parameter modul
| Nama | Rentang | Jenis | Default | Deskripsi |
|---|---|---|---|---|
| Sumber data | Daftar | Sumber data atau sink | Azure Blob Storage | Sumber data dapat berupa HTTP, FTP, HTTPS anonim atau FTPS, file di penyimpanan Azure BLOB, tabel Azure, Azure SQL Database atau SQL do Azure Data Warehouse, tabel Hive, atau titik akhir OData. |
| Nama server database | apa pun | String | tidak ada | |
| Nama database | apa pun | String | tidak ada | |
| Nama akun pengguna server | apa pun | String | tidak ada | |
| Kata sandi akun pengguna server | tidak ada | |||
| Daftar kolom yang dipisahkan koma untuk disimpan | tidak ada | |||
| Nama tabel data | apa pun | String | tidak ada | |
| Daftar kolom yang dapat dipisahkan koma | String | String | tidak ada | String |
| Jumlah baris yang ditulis per SQL operasi Azure | String | Bilangan bulat | 50 | String |
| Menggunakan hasil cache | BENAR/SALAH | Boolean | FALSE | Modul hanya dijalankan jika cache yang valid tidak ada; jika tidak, gunakan data cache dari eksekusi sebelumnya. |
Pengecualian
| Pengecualian | Deskripsi |
|---|---|
| Kesalahan 0027 | Pengecualian terjadi ketika dua objek harus berukuran sama, tetapi tidak. |
| Kesalahan 0003 | Pengecualian terjadi jika satu atau lebih input null atau kosong. |
| Kesalahan 0029 | Pengecualian terjadi ketika URI yang tidak valid dilewatkan. |
| Kesalahan 0030 | pengecualian terjadi ketika tidak mungkin mengunduh file. |
| Kesalahan 0002 | Pengecualian terjadi jika satu atau beberapa parameter tidak dapat diurai atau dikonversi dari tipe yang ditentukan ke jenis yang diperlukan oleh metode target. |
| Kesalahan 0009 | Pengecualian terjadi jika nama akun penyimpanan Azure atau nama kontainer ditentukan secara tidak benar. |
| Kesalahan 0048 | Pengecualian terjadi ketika tidak mungkin untuk membuka file. |
| Kesalahan 0015 | Pengecualian terjadi jika koneksi database gagal. |
| Kesalahan 0046 | Pengecualian terjadi ketika tidak mungkin membuat direktori pada jalur tertentu. |
| Kesalahan 0049 | Pengecualian terjadi ketika tidak mungkin mengurai file. |
Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.
Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.
Lihat juga
Mengimpor data
Mengekspor data
Ekspor ke Azure Blob Storage
Ekspor ke Kueri Hive
Ekspor ke Azure Table