次の方法で共有


revoscalepy (SQL Server Machine Learning Services の Python パッケージ)

適用対象: SQL Server 2017 (14.x) 以降

revoscalepy は Microsoft が提供する Python パッケージであり、分散コンピューティング、リモート計算コンテキスト、ハイパフォーマンス データ サイエンス アルゴリズムをサポートしています。 このパッケージは、SQL Server Machine Learning Services に含まれています。

このパッケージには、次の機能が含まれます。

  • 同じバージョンの revoscalepy が与えられたシステムでのローカルとリモートの計算コンテキスト
  • データ変換と視覚化の機能
  • 分散または並列処理によってスケーラブルとなるデータ サイエンス関数
  • Intel 数学ライブラリの使用など、パフォーマンスの向上

revoscalepy で作成したデータソースと計算コンテキストは機械学習アルゴリズムでも使用できます。 これらのアルゴリズムの概要については、「SQL Server の microsoftml Python モジュール」を参照してください。

完全なリファレンス ドキュメント

revoscalepy パッケージは、複数の Microsoft 製品で配布されていますが、このパッケージを SQL Server または別の製品のどちらで取得しても、使用方法は同じです。 これらの関数は同じであるため、個々の revoscalepy 関数のドキュメントPython リファレンスの下の 1 つの場所でのみ公開されています。 製品固有の動作が存在する場合、関数のヘルプ ページにその相違点が示されます。

バージョンとプラットフォーム

revoscalepy モジュールは Python 3.5 に基づいており、次のいずれかの Microsoft 製品またはダウンロードをインストールした場合にのみ利用できます。

Note

完全な製品リリース バージョンは、SQL Server 2017 では Windows のみです。 SQL Server 2019 以降の revoscalepy では、Windows と Linux の両方がサポートされています。

カテゴリ別の関数

このセクションでは、関数をカテゴリ別に一覧表示し、それぞれの使用方法について説明します。 目次を使用して関数をアルファベット順に検索することもできます。

1 - データ ソースと計算

revoscalepy には、データ ソースを作成したり、場所、つまり、計算が実行される場所である計算コンテキストを設定したりするための関数が含まれています。 SQL Server シナリオに関連する関数を次の表に示します。

SQL Server と Python では、場合によっては異なるデータ型が使用されます。 SQL のデータ型と Python のデータ型の対応表が必要であれば、Python と SQL のデータ型マッピング ページを参照してください。

機能 説明
RxInSqlServer SQL Server 計算コンテキスト オブジェクトを作成し、リモート インスタンスに計算をプッシュします。 一部の revoscalepy 関数では、計算コンテキストが引数として受け取られます。 コンテキストスイッチの例については、revoscalepy を使用したモデルの作成に関するページを参照してください。
RxSqlServerData SQL Server クエリまたはテーブルに基づいてデータ オブジェクトを作成します。
RxOdbcData ODBC 接続に基づいてデータ ソースを作成します。
RxXdfData ローカル XDF ファイルに基づいてデータ ソースを作成します。 XDF ファイルはしばしば、メモリ内データをディスクにオフロードするために使用されます。 XDF ファイルが役立つのは、扱うデータ容量がデータベースから 1 回で転送できない場合や、メモリに収まりきらない場合です。 たとえば、大容量データを定期的にデータベースからローカル ワークステーションに移す場合、R 操作ごとにデータベースに対してクエリを繰り返し実行する代わりに、XDF ファイルを一種のキャッシュとして使用してデータをローカルに保存し、R ワークスペースでそのデータを処理できます。

ヒント

データ ソースまたは計算コンテキストの概念を初めて使用する場合、分散コンピューティングに関する記事から始めることをお勧めします。

2 - データ操作 (ETL)

機能 説明
rx_import .xdf ファイルまたはデータ フレームにデータをインポートします。
rx_data_step 入力データ セットのデータを出力データ セットに変換します。

3 - トレーニングと概要

機能 説明
rx_btrees 確率的勾配ブースト デシジョン ツリーを合わせる
rx_dforest 分類と回帰のデシジョン フォレストを合わせる
rx_dtree 分類と回帰のツリーを合わせる
rx_lin_mod 線形回帰モデルを作成する
rx_logit ロジスティック回帰モデルを作成する
rx_summary revoscalepy でオブジェクトの一変量のまとめを生成します。

その他の方法については、microsoftml の関数も確認してください。

4 - スコアリング関数

機能 説明
rx_predict トレーニング済みのモデルから予測を生成します。リアルタイムのスコアリングに使用できます。
rx_predict_default rx_lin_mod and rx_logit オブジェクトを利用し、予測値と残余を計算します。
rx_predict_rx_dforest rx_dforest または rx_btrees オブジェクトからデータ セットの予測値または調整値を計算します。
rx_predict_rx_dtree rx_dtree オブジェクトからデータ セットの予測値または調整値を計算します。

revoscalepy の使用方法

revoscalepy 内の関数は、ストアド プロシージャにカプセル化された Python コードで呼び出すことができます。 ほとんどの開発者は、revoscalepy ソリューションをローカルでビルドし、完成した Python コードを展開の練習としてストアド プロシージャに移行します。

ローカルで実行するとき、通常、コマンド ラインまたは Python 開発環境から Python スクリプトを実行し、いずれかの revoscalepy 関数で SQL Server 計算コンテキストを指定します。 コード全体または個々の関数に対してリモート計算コンテキストを使用できます。 たとえば、最新のデータを使用してデータの移動を回避するために、モデルのトレーニングをサーバーにオフロードすることがあります。

Python スクリプトをストアド プロシージャ sp_execute_external_script 内にカプセル化する準備ができたら、入力と出力が明確に定義された 1 つの関数としてコードを書き直すことをお勧めします。

入力と出力は pandas データ フレームにする必要があります。 これが完了したら、T-SQL 対応のあらゆるクライアントからストアド プロシージャを呼び出し、入力として SQL クエリを簡単に渡し、結果を SQL テーブルに保存できます。 例については、SQL 開発者向けのデータベース内 Python 分析の学習ページを参照してください。

microsoftml で revoscalepy を使用する

microsoftml の Python 関数は、revoscalepy で与えられる計算コンテキストとデータ ソースと統合されます。 モデルを定義してトレーニングするときなど、microsoftml から関数を呼び出す場合は、revoscalepy 関数を使用して、ローカルか SQL Server リモート計算コンテキストで Python コードを実行します。

次の例では、Python コードでモジュールをインポートするための構文を示しています。 その後、必要な個々の関数を参照できます。

from microsoftml.modules.logistic_regression.rx_logistic_regression import rx_logistic_regression
from revoscalepy.functions.RxSummary import rx_summary
from revoscalepy.etl.RxImport import rx_import_datasource

関連項目