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 заключительной части этого цикла учебников, состоящего из четырех частей, вы развернете модель машинного обучения, разработанную в R, в SQL Server с помощью Служб машинного обучения.
В заключительной части этого цикла учебников, состоящего из четырех частей, вы развернете модель машинного обучения, разработанную в R, в SQL Server с помощью служб SQL Server R Services.
В четвертой части этого цикла учебников, состоящего из четырех частей, вы развернете модель машинного обучения, разработанную в R, в управляемом экземпляре SQL Azure с помощью Служб машинного обучения.
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.
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
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: