次の方法で共有


SQL 機械学習で PREDICT T-SQL 関数を使用したネイティブ スコアリング

適用対象: SQL Server 2017 (14.x) 以降 Azure SQL データベース Azure SQL Managed Instance Azure Synapse Analytics

PREDICT T-SQL 関数 でネイティブ スコアリングを使用して、ほぼリアルタイムで新しいデータ入力の予測値を生成する方法について説明します。 ネイティブ スコアリングには、既にトレーニング済みのモデルが必要です。

PREDICT 関数では SQL 機械学習のネイティブ C++ 拡張機能が使われます。 この方法により、可能な限り最速の予測の処理速度と予測ワークロードと Open Neural Network Exchange (ONNX) 形式のサポート モデルまたは RevoScaleR および revoscalepy パッケージを使用してトレーニングされたモデルを実現します。

ネイティブ スコアリングのしくみ

ネイティブ スコアリングでは、ONNX または定義済みのバイナリ形式でモデルを読み取り、指定した新しいデータ入力のスコアを生成するライブラリを使用します。 モデルはトレーニングされ、デプロイされ、保存されるため、R または Python インタープリターを呼び出す必要なくスコアリングに使用できます。 つまり、複数のプロセスの相互作用のオーバーヘッドが軽減されるため、予測パフォーマンスが速くなります。

ネイティブ スコアリングを使用するには、PREDICT T-SQL 関数を呼び出し、次の必須の入力を渡します。

  • サポートされているモデルとアルゴリズムに基づく互換性のあるモデル。
  • 入力データ (通常は T-SQL クエリとして定義される)。

この関数は、入力データの予測を、パス スルーしたいソース データの任意の列と一緒に返します。

前提条件

PREDICT は以下で使用できます。

  • Windows および Linux 上の SQL Server 2017 以降のすべてのエディション
  • Azure SQL Managed Instance
  • Azure SQL データベース
  • Azure SQL Edge
  • Azure Synapse Analytics

関数は、既定で有効にされます。 R や Python をインストールしたり、追加機能を有効にしたりする必要はありません。

サポートされているモデル

PREDICT 関数によってサポートされるモデル形式は、ネイティブ スコアリングを実行する SQL プラットフォームによって異なります。 どのプラットフォームでどのモデル形式がサポートされているかを確認するには、次の表を参照してください。

プラットフォーム ONNX モデル形式 RevoScale モデル形式
SQL Server いいえ はい
Azure SQL Managed Instance はい はい
Azure SQL データベース いいえ [はい]
Azure SQL Edge はい いいえ
Azure Synapse Analytics はい いいえ

ONNX モデル

このモデルは、Open Neural Network Exchange (ONNX) モデル形式である必要があります。

RevoScale モデル

モデルは、RevoScaleR または revoscalepy パッケージを使用し、下に一覧表示されているサポートされる rx アルゴリズムのいずれかを使用して、事前にトレーニングされている必要があります。

モデルのシリアル化には、R の場合は rxSerialize、Python の場合は rx_serialize_model を使用します。 これらのシリアル化関数は、高速スコアリングをサポートするように最適化されています。

サポートされている RevoScale アルゴリズム

次のアルゴリズムが revoscalepy と RevoScaleR でサポートされています。

MicrosoftML または microsoftml からのアルゴリズムを使用する必要がある場合は、sp_rxPredict によるリアルタイムのスコアリングを使用します。

サポートされていないモデル タイプには、次のタイプが含まれます。

  • 他の変換を含むモデル
  • RevoScaleR または revoscalepy の同等の rxGlm または rxNaiveBayes アルゴリズムを使用するモデル
  • PMML モデル
  • 他のオープンソース ライブラリまたはサードパーティ ライブラリを使用して作成されたモデル

ONNX モデルを使用した PREDICT

この例では、ネイティブ スコアリングに dbo.models テーブルに格納されている ONNX モデルを使用する方法を示しています。

DECLARE @model VARBINARY(max) = (
        SELECT DATA
        FROM dbo.models
        WHERE id = 1
        );

WITH predict_input
AS (
    SELECT TOP (1000) [id]
        , CRIM
        , ZN
        , INDUS
        , CHAS
        , NOX
        , RM
        , AGE
        , DIS
        , RAD
        , TAX
        , PTRATIO
        , B
        , LSTAT
    FROM [dbo].[features]
    )
SELECT predict_input.id
    , p.variable1 AS MEDV
FROM PREDICT(MODEL = @model, DATA = predict_input, RUNTIME=ONNX) WITH (variable1 FLOAT) AS p;

注意

PREDICT によって返される列と値は、モデルの種類によって異なる場合があるため、WITH 句を使用して、返されるデータのスキーマを定義する必要があります。

RevoScale モデルによる PREDICT

この例では、R で RevoScaleR を使用してモデルを作成してから、T-SQL からリアルタイムの予測関数を呼び出しています。

手順 1. モデルを構築して保存する

次のコードを実行して、サンプル データベースと必要なテーブルを作成します。

CREATE DATABASE NativeScoringTest;
GO
USE NativeScoringTest;
GO
DROP TABLE IF EXISTS iris_rx_data;
GO
CREATE TABLE iris_rx_data (
    "Sepal.Length" float not null, "Sepal.Width" float not null
  , "Petal.Length" float not null, "Petal.Width" float not null
  , "Species" varchar(100) null
);
GO

次のステートメントを使用して、データ テーブルにアヤメ データセットのデータを設定します。

INSERT INTO iris_rx_data ("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width" , "Species")
EXECUTE sp_execute_external_script
  @language = N'R'
  , @script = N'iris_data <- iris;'
  , @input_data_1 = N''
  , @output_data_1_name = N'iris_data';
GO

ここで、モデルを格納するテーブルを作成します。

DROP TABLE IF EXISTS ml_models;
GO
CREATE TABLE ml_models ( model_name nvarchar(100) not null primary key
  , model_version nvarchar(100) not null
  , native_model_object varbinary(max) not null);
GO

次のコードでは、アヤメ データセットに基づいてモデルを作成し、それを models という名前のテーブルに保存します。

DECLARE @model varbinary(max);
EXECUTE sp_execute_external_script
  @language = N'R'
  , @script = N'
    iris.sub <- c(sample(1:50, 25), sample(51:100, 25), sample(101:150, 25))
    iris.dtree <- rxDTree(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, data = iris[iris.sub, ])
    model <- rxSerializeModel(iris.dtree, realtimeScoringOnly = TRUE)
    '
  , @params = N'@model varbinary(max) OUTPUT'
  , @model = @model OUTPUT
  INSERT [dbo].[ml_models]([model_name], [model_version], [native_model_object])
  VALUES('iris.dtree','v1', @model) ;

注意

RevoScaleR からの rxSerializeModel 関数を使用して、モデルを保存してください。 標準の R serialize 関数では、必要な形式を生成できません。

次のようなステートメントを実行すると、格納されているモデルをバイナリ形式で表示できます。

SELECT *, datalength(native_model_object)/1024. as model_size_kb
FROM ml_models;

手順 2. モデルで PREDICT を実行する

次の単純な PREDICT ステートメントでは、ネイティブ スコアリング関数を使用して、デシジョン ツリー モデルから分類を取得します。 指定した属性に基づいてアヤメの種類、花弁の長さと幅が予測されます。

DECLARE @model varbinary(max) = (
  SELECT native_model_object
  FROM ml_models
  WHERE model_name = 'iris.dtree'
  AND model_version = 'v1');
SELECT d.*, p.*
  FROM PREDICT(MODEL = @model, DATA = dbo.iris_rx_data as d)
  WITH(setosa_Pred float, versicolor_Pred float, virginica_Pred float) as p;
go

"PREDICT 関数の実行中にエラーが発生しました。 モデルが破損しているか無効です" というエラーを受け取った場合、通常は、クエリがモデルを返さなかったことを意味します。 モデル名を正しく入力したかどうか、またはモデル テーブルが空であるかどうかを確認します。

注意

PREDICT によって返される列と値は、モデルの種類によって異なる場合があるため、WITH 句を使用して、返されるデータのスキーマを定義する必要があります。

次のステップ