Aracılığıyla paylaş

Azure SQL Veritabanı dışarı aktar

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

bu makalede, Machine Learning Studio 'daki (klasik) verileri dışarı aktarma modülünde Azure SQL Veritabanı için dışarı aktar seçeneğinin nasıl kullanılacağı açıklanır. bu seçenek, machine learning denemenizin Azure SQL Veritabanı veya Data Warehouse Azure SQL verileri dışarı aktarmak istediğinizde faydalıdır.

Not

uygulama hedefi: yalnızca Machine Learning Studio (klasik)

benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.

birçok makine öğrenimi senaryosunda bir SQL veritabanına dışarı aktarma yararlı olur: örneğin, ara sonuçları depolamak, puanları kaydetmek veya mühendislik uygulanmış özelliklerin tablolarını sürdürmek isteyebilirsiniz. verileri bir Azure SQL Veritabanı veya Azure SQL Data Warehouse depolama, Azure 'daki tablo ve blobların kullanılmasıyla daha pahalı olabilir, ancak SQL veritabanlarına yönelik işlem ücretleri yoktur. Ayrıca, veritabanı depolaması, daha az miktardaki sık kullanılan bilgileri hızlı bir şekilde yazmak, denemeleri arasında veri paylaşmak için veya raporlama sonuçları, tahminleri ve ölçümler için idealdir.

Öte yandan, abonelik türüne bağlı olarak bir veritabanında depoladığınız veri miktarına yönelik sınırlar olabilir. Ayrıca, Machine Learning çalışma alanınız ile aynı bölgedeki bir veritabanı ve hesabı kullanmayı göz önünde bulundurmanız gerekir.

Verileri dışarı aktarmak için, verilerin depolandığı örnek adını ve veritabanı adını sağlarsınız ve yazma izinleri olan bir hesabı kullanarak modülü çalıştırırsınız. Tablo adını da belirtmeniz ve sütunları Deneyinizden tablodaki sütunlara eşlemeniz gerekir.

Azure SQL Veritabanı verileri dışarı aktarma

  1. Veri dışa aktarma modülünü Studio 'daki denemenize (klasik) ekleyin. Bu modülü veri girişi ve çıkış kategorisinde bulabilirsiniz.

  2. dışarı aktarmak istediğiniz verileri üreten modüle verileri dışarı aktarma Bağlan.

  3. veri hedefiiçin Azure SQL Veritabanı' yi seçin. bu seçenek Azure SQL Data Warehouse da destekler.

  4. Azure SQL Veritabanı veya Azure SQL Data Warehouse sunucu ve veritabanının adını belirtin.

    Veritabanı sunucusu adı: sunucu adını Azure tarafından oluşturulan şekilde yazın. Genellikle formu <generated_identifier>.database.windows.net vardır.

    Veritabanı adı: yeni belirttiğiniz sunucuda var olan bir veritabanının adını yazın. Verileri dışarı aktarma modülü bir veritabanı oluşturamaz.

    Sunucu Kullanıcı hesabı adı: veritabanına erişim izinleri olan bir hesabın kullanıcı adını yazın.

    Sunucu Kullanıcı hesabı parolası: belirtilen kullanıcı hesabı için parola belirtin.

  5. Dışarı aktarılacak sütunları belirtin ve sütunları yeniden adlandırmak istiyorsanız.

    Kaydedilecek sütunların virgülle ayrılmış listesi: veritabanına yazmak istediğiniz deneyden sütunların adlarını yazın.

    Veri tablosu adı: verilerin depolandığı tablonun adını yazın.

    Azure SQL Veritabanı için, tablo yoksa yeni bir tablo oluşturulur.

    Azure SQL Data Warehouse için, tablo zaten var olmalı ve doğru şemaya sahip olmalıdır, bu yüzden bunu önceden oluşturmayı unutmayın.

    DataTable sütunlarının virgülle ayrılmış listesi: sütun adlarını hedef tabloda görünmesini istediğiniz şekilde yazın.

    Azure SQL Veritabanı için, sütun adlarını değiştirebilirsiniz, ancak sütunları, kaydedilecek sütunları virgülle ayrılmış bir listeolarak, dışarı aktarma için listeettiğiniz sırada tutmanız gerekir.

    Azure SQL Data Warehouse için, sütun adları hedef tablo şemasındaki mevcut olanlarla aynı olmalıdır.

  6. SQL Azure işlem başına yazılan satır sayısı: bu seçenek, her toplu işte hedef tabloya kaç satır yazılması gerektiğini belirtir.

    varsayılan olarak, değer, Azure SQL Veritabanı için varsayılan toplu iş boyutu olan 50 olarak ayarlanır. Ancak, yazılacak çok sayıda satır varsa, bu değeri artırmanız gerekir.

    Azure SQL Data Warehouse için, bu değeri 1 olarak ayarlamanızı öneririz. daha büyük bir toplu iş boyutu kullanırsanız, Azure SQL Data Warehouse gönderilen komut dizesinin boyutu izin verilen dize uzunluğunu aşabilir ve hataya neden olur.

  7. Önbelleğe alınmış sonuçları kullan: deneme her çalıştırıldığında yeni sonuçların yazılmasını önlemek için bu seçeneği belirleyin. Modül parametrelerinde başka bir değişiklik yoksa, deneme yalnızca modülün ilk kez çalıştırıldığı zaman verileri yazar. Ancak, sonuçları değiştirecek dışarı aktarma verilerinde herhangi bir parametre değiştirilmişse yeni bir yazma işlemi her zaman gerçekleştirilir.

  8. Denemeyi çalıştırın.

Örnekler

Veri dışa aktarma modülünün nasıl kullanılacağına ilişkin örnekler için Azure yapay zeka Galerisibakın:

  • Perakende tahmin adımı 1/6-veri ön işlemesi: perakende tahmin şablonu, Azure SQLDB 'de depolanan verileri temel alan bir makine öğrenimi görevi gösterir. farklı hesaplarda denemeleri arasında veri kümelerini geçirmek, tahminleri kaydetmek ve birleştirmek ve makine öğrenimi için bir Azure SQL veritabanı oluşturmak üzere Azure SQL veritabanı kullanma gibi yararlı teknikler gösterilmektedir.

  • azure vm 'de SQL Server kullanarak makine öğrenimi modeli oluşturun ve dağıtın: bu makalede, eğitim verilerini ve tahminleri depolamak için kaynak olarak bir azure vm 'de barındırılan bir SQL Server veritabanı kullanma işlemi gösterilmektedir. Ayrıca, ilişkisel veritabanının özellik Mühendisliği ve Özellik seçimi için nasıl kullanılabileceğini gösterir.

  • Azure ML Azure SQL Data Warehouse ile kullanma: bir kümeleme modeli oluşturmak için Azure SQL Data Warehouse verilerin kullanımını gösterir.

  • SQL Data Warehouse ile Machine Learning kullanın: Azure SQL Data Warehouse verileri kullanarak fiyatlandırmayı tahmin etmek için bir gerileme modelinin nasıl oluşturulacağını gösterir.

Teknik notlar

Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır.

Sık sorulan sorular

Farklı bir coğrafi bölgede veritabanı kullanma

Azure SQL Veritabanı veya SQL Data Warehouse makine öğrenimi hesabından farklı bir bölgedeyse, yazma işlemleri daha yavaş olabilir.

Ayrıca, işlem düğümü depolama hesabından farklı bir bölgedeyse, aboneliğin veri giriş ve çıkış işlemleri için ücretlendirilirsiniz.

Çıktı verilerinde neden bazı karakterler doğru görüntülenmiyor

Machine Learning UTF-8 kodlamasını destekler. Veritabanınızdaki dize sütunları farklı bir kodlama kullanıyorsa, karakterler doğru şekilde kaydedilmeyebilir.

ayrıca, Machine Learning gibi veri türlerine money de çıkış yapılamaz.

Modül parametreleri

Name Aralık Tür Varsayılan Description
Veri kaynağı Liste Veri kaynağı veya havuz Azure Blob Depolama veri kaynağı, azure BLOB depolama, azure tablosu, Azure SQL Veritabanı veya Azure SQL Data Warehouse, Hive tablosu veya OData uç noktası gibi HTTP, FTP, anonim HTTPS veya ftps olabilir.
Veritabanı sunucusu adı herhangi biri Dize yok
Veritabanı adı herhangi biri Dize yok
Sunucu Kullanıcı hesabı adı herhangi biri Dize yok
Sunucu Kullanıcı hesabı parolası yok
Kaydedilecek sütunların virgülle ayrılmış listesi yok
Veri tablosu adı herhangi biri Dize yok
Veri tablosu sütunlarının virgülle ayrılmış listesi Dize Dize yok Dize
İşlem başına yazılan SQL Azure sayısı Dize Tamsayı 50 Dize
Önbelleğe alınmış sonuçları kullanma TRUE/FALSE Boole FALSE Modül yalnızca geçerli önbellek yoksa yürütülür; aksi takdirde, önceki yürütmeden önbelleğe alınmış verileri kullanın.

Özel durumlar

Özel durum Description
Hata 0027 İki nesne aynı boyutta olması gerektir ancak aynı boyutta değil olduğunda özel durum oluşur.
Hata 0003 Bir veya daha fazla giriş null veya boşsa özel durum oluşur.
Hata 0029 Geçersiz bir URI geçir olduğunda özel durum oluşur.
Hata 0030 içinde bir dosya indirilenemay olduğunda özel durum oluşur.
Hata 0002 Bir veya daha fazla parametre ayrıştırılana veya belirtilen türden hedef yöntemin gerekli türüne dönüştürülememesi bir özel durum oluşur.
Hata 0009 Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtilirse özel durum oluşur.
Hata 0048 Bir dosyanın açılması mümkün değilken bir özel durum oluşur.
Hata 0015 Veritabanı bağlantısı başarısız olursa bir özel durum oluşur.
Hata 0046 Belirtilen yolda dizin oluşturulamaysa özel durum oluşur.
Hata 0049 Bir dosyayı ayrıştırmak mümkün değilken bir özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.

Ayrıca bkz.

Verileri İçeri Aktarma
Verileri Dışarı Aktarma
Azure Blob Depolama
Hive Sorgusuna Aktarma
Azure Tablosuna Aktarma

  • Last updated on