funktion ai_predict_class

Gäller för:kryssmärkt ja Databricks SQL kryssmärkt ja Databricks Runtime 19.3 och senare

Important

Den här funktionen finns i Beta. För att använda den måste en administratör i arbetsområdet aktivera Predictive AI-funktioner från sidan Förhandsvisningar . Se Hantera förhandsversioner av Azure Databricks.

ai_predict_class() tränar en klassificeringsmodell från rader där målkolumnen inte NULL är och förutsäger klassen för rader där den är NULL. Funktionen returnerar endast de rader den poängsätter och lägger till prediktions- och konfidenskolumner till indatakolumnerna.

Requirements

Syntax

ai_predict_class(
  input => TABLE(input),
  target_col => target_col,
  feature_cols => feature_cols
  [, seed => seed]
)

Arguments

Skicka alla skalärargument vid namn. Du kan passera input med namn eller position.

  • input är den tabellvärda indata som innehåller träningsraderna och raderna som ska poängsättas. Rader där målkolumnen inte NULL är tränar modellen. Rader där målkolumnen är NULL poängsätts.
  • target_col är en konstant STRING som namnger målkolumnen. Målet måste vara en toppnivå-, boolesk eller strängkolumn och får inte förekomma i feature_cols.
  • feature_cols är en icke-tom konstant ARRAY<STRING> som namnger funktionskolumnerna. Varje funktion måste vara en toppnivå-numerisk, boolesk eller strängkolumn.
  • seed (valfritt) är ett integralt värde som initierar pseudorandomiseringar som används under modellträning. Standardvärdet är 0.

Returns

Funktionen returnerar en tabell som innehåller indataraderna där målkolumnen är NULL. Utdata behåller alla indatakolumner och lägger till följande kolumner:

  • <target_col>_prediction: Den förutsagda klassen, med samma datatyp som målkolumnen.
  • <target_col>_confidence: En DOUBLE mellan 0 och 1 som innehåller modellsannolikheten för den förutsagda klassen.

Om inga indatarader har ett NULL mål returnerar funktionen en tom tabell.

Example

Följande exempel tränar på kunder med kända churn-utfall och förutspår om kunder med saknade utfall kommer att churna:

WITH customers AS (
  SELECT * FROM VALUES
    (1, 3, 'monthly', true),
    (2, 24, 'annual', false),
    (3, 5, 'monthly', true),
    (4, 30, 'annual', false),
    (5, 8, 'monthly', true),
    (6, 36, 'annual', false),
    (7, 6, 'monthly', NULL),
    (8, 28, 'annual', NULL)
  AS customers(customer_id, tenure_months, plan, churned)
)
SELECT customer_id, churned_prediction, churned_confidence
FROM ai_predict_class(
  input => TABLE(customers),
  target_col => 'churned',
  feature_cols => ARRAY('tenure_months', 'plan'),
  seed => 42
)
ORDER BY customer_id;

Limitations

  • Varje anrop stöder en målkolumn och tränar en ny modell. Funktionen behåller inte modellen för återanvändning.
  • Mål- och funktionskolumner måste vara toppnivåkolumner. Nästlade fält stöds inte.
  • Träningsraderna måste innehålla minst två distinkta, icke-målvärdenNULL .
  • Indatan får inte redan innehålla kolumner med namnet <target_col>_prediction eller <target_col>_confidence.

Feltillstånd

För ogiltiga kolumner, typer eller argument, se AI_PREDICT_INVALID_PARAMETER felvillkor. För otillräcklig träningsdata, se AI_PREDICT_INSUFFICIENT_TRAINING_DATA felvillkor.

För att förutsäga ett numeriskt värde, använd ai_predict_value funktionen. För att klassificera text mot etiketter du anger utan träning på tabellrader, använd ai_classify funktion. För andra AI-funktioner, se Transformera ostrukturerad data med AI-funktioner.

  • Uppdaterades senast