Tutorial Python: Melatih model regresi linier dengan pembelajaran mesin SQL
Berlaku untuk: SQL Server 2017 (14.x) dan Azure SQL Managed Instance yang lebih baru
Di bagian tiga dari seri tutorial empat bagian ini, Anda akan melatih model regresi linier di Python. Di bagian berikutnya dari seri ini, Anda akan menyebarkan model ini dalam database SQL Server dengan Pembelajaran Mesin Services atau di SQL Server 2019 Kluster Big Data.
Di bagian tiga dari seri tutorial empat bagian ini, Anda akan melatih model regresi linier di Python. Di bagian berikutnya dari seri ini, Anda akan menyebarkan model ini dalam database SQL Server dengan Pembelajaran Mesin Services.
Di bagian tiga dari seri tutorial empat bagian ini, Anda akan melatih model regresi linier di Python. Di bagian berikutnya dari seri ini, Anda akan menyebarkan model ini dalam database Azure SQL Managed Instance dengan Pembelajaran Mesin Services.
Dalam artikel ini, Anda akan mempelajari cara:
- Melatih model regresi linier
- Membuat prediksi menggunakan model regresi linier
Di bagian satu, Anda mempelajari cara memulihkan database sampel.
Di bagian dua, Anda mempelajari cara memuat data dari database ke dalam bingkai data Python, dan menyiapkan data di Python.
Di bagian empat, Anda akan mempelajari cara menyimpan model dalam database, lalu membuat prosedur tersimpan dari skrip Python yang Anda kembangkan di bagian dua dan tiga. Prosedur tersimpan akan berjalan di server untuk membuat prediksi berdasarkan data baru.
Prasyarat
- Bagian ketiga dari tutorial ini mengasumsikan Anda telah menyelesaikan bagian satu dan prasyaratnya, termasuk menginstal paket Python yang diperlukan.
Melatih model
Untuk memprediksi, Anda harus menemukan fungsi (model) yang paling menggambarkan dependensi antara variabel dalam himpunan data kami. Ini disebut melatih model. Himpunan data pelatihan akan menjadi subset dari seluruh himpunan data dari bingkai df
data panda yang Anda buat di bagian dua seri ini.
Anda akan melatih model lin_model
menggunakan algoritma regresi linier.
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])
Anda akan melihat hasil yang mirip dengan yang berikut ini.
Training set shape: (362, 7)
Testing set shape: (91, 7)
Membuat prediksi
Gunakan fungsi prediksi untuk memprediksi jumlah sewa menggunakan model lin_model
.
# 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)
Anda akan melihat hasil yang mirip dengan yang berikut ini.
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
Langkah berikutnya
Di bagian tiga seri tutorial ini, Anda menyelesaikan langkah-langkah berikut:
- Melatih model regresi linier
- Membuat prediksi menggunakan model regresi linier
Untuk menyebarkan model pembelajaran mesin yang telah Anda buat, ikuti bagian empat dari seri tutorial ini: