Руководство по развертыванию прогнозной модели в R с помощью машинного обучения SQL

Область применения: SQL Server 2016 (13.x) и более поздних версий Управляемый экземпляр SQL Azure

В четвертой части этого цикла учебников, состоящего из четырех частей, вы развернете модель машинного обучения, разработанную в R, в службах машинного обучения SQL Server или в кластерах больших данных.

В этой статье вы узнаете, как выполнять следующие задачи.

• Создание хранимой процедуры, которая формирует модель машинного обучения
• Сохранение модели в таблице базы данных
• Создание хранимой процедуры, которая делает прогнозы с помощью модели
• Выполнение модели с новыми данными

В первой части вы узнали, как восстановить учебную базу данных.

Во второй части вы узнали, как импортировать пример базы данных, а затем подготовить данные, которые будут использоваться для обучения прогнозной модели на языке R.

В третьей части вы узнали, как создать и обучить несколько моделей машинного обучения на языке R, а затем выбрать наиболее точную.

Необходимые компоненты

В четвертой части этого цикла учебников предполагается, что вы уже выполнили предварительные требования из первой части, а также действия, указанные во второй и третьей частях.

Создание хранимой процедуры, которая формирует модель

В третьей части этого цикла учебников вы решили, что модель дерева принятия решений (dtree) была самой точной. Теперь с помощью разработанных вами сценариев R создайте хранимую процедуру (generate_rental_model), которая обучает и создает модель dtree с использованием rpart из пакета R.

Выполните приведенные ниже команды в Azure Data Studio.

USE [TutorialDB]
DROP PROCEDURE IF EXISTS generate_rental_model;
GO
CREATE PROCEDURE generate_rental_model (@trained_model VARBINARY(max) OUTPUT)
AS
BEGIN
    EXECUTE sp_execute_external_script @language = N'R'
        , @script = N'
rental_train_data$Month   <- factor(rental_train_data$Month);
rental_train_data$Day     <- factor(rental_train_data$Day);
rental_train_data$Holiday <- factor(rental_train_data$Holiday);
rental_train_data$Snow    <- factor(rental_train_data$Snow);
rental_train_data$WeekDay <- factor(rental_train_data$WeekDay);

#Create a dtree model and train it using the training data set
library(rpart);
model_dtree <- rpart(RentalCount ~ Month + Day + WeekDay + Snow + Holiday, data = rental_train_data);
#Serialize the model before saving it to the database table
trained_model <- as.raw(serialize(model_dtree, connection=NULL));
'
        , @input_data_1 = N'
            SELECT RentalCount
                 , Year
                 , Month
                 , Day
                 , WeekDay
                 , Snow
                 , Holiday
            FROM dbo.rental_data
            WHERE Year < 2015
            '
        , @input_data_1_name = N'rental_train_data'
        , @params = N'@trained_model varbinary(max) OUTPUT'
        , @trained_model = @trained_model OUTPUT;
END;
GO

Сохранение модели в таблице базы данных

Создайте таблицу в базе данных TutorialDB, а затем сохраните модель в таблице.

1. Создайте таблицу (rental_models) для хранения модели.

   USE TutorialDB;
   DROP TABLE IF EXISTS rental_models;
   GO
   CREATE TABLE rental_models (
         model_name VARCHAR(30) NOT NULL DEFAULT('default model') PRIMARY KEY
       , model VARBINARY(MAX) NOT NULL
       );
   GO
   

2. Сохраните модель в таблицу как двоичный объект с именем модели "DTree".

   -- Save model to table
   TRUNCATE TABLE rental_models;
   
   DECLARE @model VARBINARY(MAX);
   
   EXECUTE generate_rental_model @model OUTPUT;
   
   INSERT INTO rental_models (
         model_name
       , model
       )
   VALUES (
        'DTree'
       , @model
       );
   
   SELECT *
   FROM rental_models;
   

Создание хранимой процедуры, которая делает прогнозы

Создайте хранимую процедуру (predict_rentalcount_new), которая создает прогнозы с использованием обученной модели и набора новых данных.

-- Stored procedure that takes model name and new data as input parameters and predicts the rental count for the new data
USE [TutorialDB]
DROP PROCEDURE IF EXISTS predict_rentalcount_new;
GO
CREATE PROCEDURE predict_rentalcount_new (
      @model_name VARCHAR(100)
    , @input_query NVARCHAR(MAX)
    )
AS
BEGIN
    DECLARE @model VARBINARY(MAX) = (
            SELECT model
            FROM rental_models
            WHERE model_name = @model_name
            );

    EXECUTE sp_execute_external_script @language = N'R'
        , @script = N'
#Convert types to factors
rentals$Month   <- factor(rentals$Month);
rentals$Day     <- factor(rentals$Day);
rentals$Holiday <- factor(rentals$Holiday);
rentals$Snow    <- factor(rentals$Snow);
rentals$WeekDay <- factor(rentals$WeekDay);

#Before using the model to predict, we need to unserialize it
rental_model <- unserialize(model);

#Call prediction function
rental_predictions <- predict(rental_model, rentals);
rental_predictions <- data.frame(rental_predictions);
'
        , @input_data_1 = @input_query
        , @input_data_1_name = N'rentals'
        , @output_data_1_name = N'rental_predictions'
        , @params = N'@model varbinary(max)'
        , @model = @model
    WITH RESULT SETS(("RentalCount_Predicted" FLOAT));
END;
GO

Выполнение модели с новыми данными

Теперь вы можете использовать хранимую процедуру predict_rentalcount_new для прогнозирования аренды на основе новых данных.

-- Use the predict_rentalcount_new stored procedure with the model name and a set of features to predict the rental count
EXECUTE dbo.predict_rentalcount_new @model_name = 'DTree'
    , @input_query = '
        SELECT CONVERT(INT,  3) AS Month
             , CONVERT(INT, 24) AS Day
             , CONVERT(INT,  4) AS WeekDay
             , CONVERT(INT,  1) AS Snow
             , CONVERT(INT,  1) AS Holiday
        ';
GO

Отобразится результат, аналогичный приведенному ниже.

RentalCount_Predicted
332.571428571429

Вы успешно создали, обучили и развернули модель в базе данных. Затем вы использовали ее в хранимой процедуре для прогнозирования значений на основе новых данных.

Очистка ресурсов

После использования базы данных TutorialDB удалите ее с сервера.

Следующие шаги

В четвертой части этого цикла учебников вы узнали, как выполнять следующие задачи:

• Создание хранимой процедуры, которая формирует модель машинного обучения
• Сохранение модели в таблице базы данных
• Создание хранимой процедуры, которая делает прогнозы с помощью модели
• Выполнение модели с новыми данными

Дополнительные сведения об использовании R в Службах машинного обучения:

• Запуск простых скриптов R
• Структуры данных, типы данных и объекты R
• Функции R