Поделиться через


Руководство по Python. Обучение модели линейной регрессии с помощью машинного обучения SQL

Область применения: SQL Server 2017 (14.x) и более поздних версий Управляемый экземпляр SQL Azure

В третьей части серии руководств из четырех частей вы проведете обучение модели линейной регрессии в Python. В следующей части данного цикла вы развернете эту модель в базе данных SQL Server с использованием Служб машинного обучения или в Кластерах больших данных SQL Server 2019.

В третьей части серии руководств из четырех частей вы проведете обучение модели линейной регрессии в Python. В следующей части этого учебника вы развернете эту модель в базе данных SQL Server с использованием служб машинного обучения.

В третьей части серии руководств из четырех частей вы проведете обучение модели линейной регрессии в Python. В следующей части этого учебника вы развернете эту модель в базе данных управляемого экземпляра SQL Azure с использованием служб машинного обучения.

В этой статье вы узнаете, как выполнять следующие задачи.

  • Обучение модели линейной регрессии
  • Прогнозирование по модели линейной регрессии

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

Во второй части вы узнали, как загрузить данные из базы данных в кадр данных Python, а также подготовить данные в Python.

В четвертой части вы узнаете, как сохранить модель в базе данных, а затем создать хранимые процедуры на основе сценариев Python, разработанных во второй и третьей частях. Хранимые процедуры будут запускаться на сервере, чтобы формировать прогнозы на основе новых данных.

Необходимые компоненты

Обучение модели

Для прогнозирования необходимо найти функцию (модель), которая лучше всего описывает зависимость между переменными в нашем наборе данных. Это называется обучением модели. Набор данных обучения будет подмножеством всего набора данных из кадра df данных Pandas, созданного в первой части этой серии.

Модель будет обучаться lin_model с помощью алгоритма линейной регрессии.


from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Store the variable we'll be predicting on.
target = "Rentalcount"

# Generate the training set.  Set random_state to be able to replicate results.
train = df.sample(frac=0.8, random_state=1)

# Select anything not in the training set and put it in the testing set.
test = df.loc[~df.index.isin(train.index)]

# Print the shapes of both sets.
print("Training set shape:", train.shape)
print("Testing set shape:", test.shape)

# Initialize the model class.
lin_model = LinearRegression()

# Fit the model to the training data.
lin_model.fit(train[columns], train[target])

Результат должен иметь следующий вид.

Training set shape: (362, 7)
Testing set shape: (91, 7)

Составление прогнозов

Используйте функцию прогнозирования для прогнозирования количества аренды с помощью модели lin_model.

# Generate our predictions for the test set.
lin_predictions = lin_model.predict(test[columns])
print("Predictions:", lin_predictions)

# Compute error between our test predictions and the actual values.
lin_mse = mean_squared_error(lin_predictions, test[target])
print("Computed error:", lin_mse)

Результат должен иметь следующий вид.

Predictions: [124.41293228 123.8095075  117.67253182 209.39332151 135.46159387
 199.50603805 472.14918499  90.15781602 216.61319499 120.30710327
  89.47591091 127.71290441 207.44065517 125.68466139 201.38119194
 204.29377218 127.4494643  113.42721447 127.37388762  94.66754136
  90.21979191 173.86647615 130.34747586 111.81550069 118.88131715
 124.74028405 211.95038051 202.06309706 123.53053083 167.06313191
 206.24643852 122.64812937 179.98791527 125.1558454  168.00847713
 120.2305587  196.60802649 117.00616326 173.20010759  89.9563518
  92.11048236 120.91052805 175.47818992 129.65196995 120.97443971
 175.95863082 127.24800008 135.05866542 206.49627783  91.63004147
 115.78280925 208.92841718 213.5137192  212.83278197  96.74415948
  95.1324457  199.9089665  206.10791806 126.16510228 120.0281266
 209.08150631 132.88996619 178.84110582 128.85971386 124.67637239
 115.58134503  96.82167192 514.61789505 125.48319717 207.50359894
 121.64080826 201.9381774  113.22575025 202.46505762  90.7002328
  92.31194658 201.25627228 516.97252195  91.36660136 599.27093251
 199.6445585  123.66905128 117.4710676  173.12259514 129.60359486
 209.59478573 206.29481361 210.69322009 205.50255751 210.88011563
 207.65572019]
Computed error: 35003.54030828391

Следующие шаги

В третьей части этого учебника вы выполнили следующие действия:

  • Обучение модели линейной регрессии
  • Прогнозирование по модели линейной регрессии

Чтобы развернуть созданную модель машинного обучения, перейдите к четвертой части этого учебника: