다음을 통해 공유


자습서: R에서 SQL 기계 학습을 사용하여 예측 모델 배포

적용 대상: SQL Server 2016(13.x) 이상 Azure SQL Managed Instance

4부로 구성된 이 자습서 시리즈의 4부에서는 R에서 개발된 기계 학습 모델을 SQL Server Machine Learning Services 또는 빅 데이터 클러스터에 배포합니다.

4부로 구성된 이 자습서 시리즈의 4부에서는 R에서 개발한 기계 학습 모델을 Machine Learning Services를 사용하여 SQL Server에 배포합니다.

4부로 구성된 이 자습서 시리즈의 4부에서는 R에서 개발한 기계 학습 모델을 SQL Server R Services를 사용하여 SQL Server에 배포합니다.

4부로 구성된 이 자습서 시리즈의 4부에서는 R에서 개발한 기계 학습 모델을 Machine Learning Services를 사용하여 Azure SQL Managed Instance에 배포합니다.

이 문서에서는 다음을 수행하는 방법을 알아봅니다.

  • 기계 학습 모델을 생성하는 저장 프로시저 만들기
  • 모델을 데이터베이스 테이블에 저장
  • 모델을 사용하여 예측을 수행하는 저장 프로시저 만들기
  • 새 데이터를 사용하여 모델 실행

1부에서는 샘플 데이터베이스를 복원하는 방법을 알아보았습니다.

2부에서는 샘플 데이터베이스를 가져온 다음 R에서 예측 모델을 학습하는 데 사용할 데이터를 준비하는 방법을 알아보았습니다.

3부에서는 R에서 여러 기계 학습 모델을 만들고 학습시킨 다음 가장 정확한 모델을 선택하는 방법을 배웠습니다.

필수 조건

이 자습서의 4부에서는 1부의 사전 요구 사항을 이행하고 2부3부의 단계를 완료했다고 가정합니다.

모델을 생성하는 저장 프로시저 만들기

이 자습서 시리즈의 3부에서는 의사 결정 트리(dtree) 모델이 가장 정확하다고 결정했습니다. 이제 개발한 R 스크립트를 사용하여 R 패키지의 rpart를 사용하여 dtree 모델을 훈련하고 생성하는 저장 프로시저(generate_rental_model)를 만듭니다.

Azure Data Studio에서 다음 명령을 실행합니다.

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

모델을 데이터베이스 테이블에 저장

TutorialDB 데이터베이스에 테이블을 만든 다음, 모델을 테이블에 저장합니다.

  1. 모델을 저장하기 위한 테이블(rental_models)을 만듭니다.

    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. 모델 이름을 "DTree"로 모델을 이진 개체로 테이블에 저장합니다.

    -- 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;
    

예측을 수행하는 저장 프로시저 만들기

학습된 모델 및 새 데이터 세트를 사용하여 예측하는 저장 프로시저(predict_rentalcount_new)를 만듭니다.

-- 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

새 데이터를 사용하여 모델 실행

이제 저장 프로시저 predict_rentalcount_new를 사용하여 새 데이터의 임대 수를 예측할 수 있습니다.

-- 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

다음과 유사한 결과가 표시되어야 합니다.

RentalCount_Predicted
332.571428571429

데이터베이스에서 성공적으로 모델을 만들고, 학습하고, 배포했습니다. 그런 다음 저장 프로시저에서 해당 모델을 사용하여 새 데이터를 기반으로 값을 예측했습니다.

리소스 정리

TutorialDB 데이터베이스 사용을 마치면 서버에서 삭제합니다.

다음 단계

이 자습서 시리즈의 4부에서는 다음 작업을 수행하는 방법을 알아보았습니다.

  • 기계 학습 모델을 생성하는 저장 프로시저 만들기
  • 모델을 데이터베이스 테이블에 저장
  • 모델을 사용하여 예측을 수행하는 저장 프로시저 만들기
  • 새 데이터를 사용하여 모델 실행

Machine Learning Services에서 R을 사용하는 방법에 대한 자세한 내용은 다음을 참조하세요.