Tutorial: implantar um modelo preditivo no R com o aprendizado de máquina do SQL
Aplica-se a: SQL Server 2016 (13.x) e versões posteriores
Instância Gerenciada de SQL do Azure
Na parte quatro desta série de tutoriais de quatro partes, você implantará um modelo de machine learning desenvolvido em R nos Serviços de Machine Learning do SQL Server ou em Clusters de Big Data.
Na parte quatro desta série de tutoriais de quatro partes, você implantará um modelo de machine learning, desenvolvido em R, em um banco de dados SQL usando os Serviços de Machine Learning do SQL Server.
Na parte quatro desta série de tutoriais de quatro partes, você implantará um modelo de machine learning, desenvolvido em R, no SQL Server usando o SQL Server R Services.
Na parte quatro desta série de tutoriais de quatro partes, você implantará um modelo de machine learning desenvolvido em R na Instância Gerenciada de SQL do Azure usando Serviços de Machine Learning.
Neste artigo, você aprenderá a:
- Criar um procedimento armazenado que gera o modelo de machine learning
- Armazenar o modelo em uma tabela de banco de dados
- Criar um procedimento armazenado que faça previsões usando o modelo
- Executar o modelo com novos dados
Na parte um, você aprendeu a restaurar o banco de dados de exemplo.
Na parte dois, você aprendeu a importar um banco de dados de exemplo e, em seguida, preparar os dados para serem usados no treinamento de um modelo preditivo em R.
Na parte três, você aprendeu a criar e treinar vários modelos de machine learning em R e, em seguida, escolheu o mais preciso.
Pré-requisitos
A parte quatro deste tutorial pressupõe que você cumpriu os pré-requisitos da parte um e concluiu as etapas na parte dois e na parte três.
Criar o procedimento armazenado que gera o modelo
Na parte três desta série de tutoriais, você decidiu que um modelo de árvore de decisão (dtree) era o mais preciso. Agora, com os scripts de R desenvolvidos, crie um procedimento armazenado (generate_rental_model
) que treina e gera o modelo de dtree usando rpart do pacote R.
Execute os comandos a seguir no 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
Armazenar o modelo em uma tabela de banco de dados
Crie uma tabela no banco de dados TutorialDB e, em seguida, salve o modelo na tabela.
Crie uma tabela (
rental_models
) para armazenar o modelo.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
Salve o modelo na tabela como um objeto binário, com o nome "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;
Criar um procedimento armazenado que faça previsões
Crie um procedimento armazenado (predict_rentalcount_new
) que faz previsões usando o modelo treinado e um conjunto de dados novos.
-- 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
Executar o modelo com novos dados
Agora, é possível usar o procedimento armazenado predict_rentalcount_new
para prever o valor do aluguel com os novos dados.
-- 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
Você verá um resultado semelhante ao seguinte.
RentalCount_Predicted
332.571428571429
Você criou, treinou e implantou com êxito um modelo em um banco de dados. Em seguida, você usou esse modelo em um procedimento armazenado para prever valores com base em novos dados.
Limpar os recursos
Quando terminar de usar o banco de dados TutorialDB, exclua-o do servidor.
Próximas etapas
Na parte quatro desta série de tutoriais, você aprendeu a:
- Criar um procedimento armazenado que gera o modelo de machine learning
- Armazenar o modelo em uma tabela de banco de dados
- Criar um procedimento armazenado que faça previsões usando o modelo
- Executar o modelo com novos dados
Para saber mais sobre como usar o R nos Serviços de Machine Learning, confira:
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários