Aracılığıyla paylaş

Öğretici: SQL makine öğrenmesi ile R'de kümeleme modeli geliştirme

Şunlar için geçerlidir: SQL Server 2016 (13.x) ve sonraki sürümleri Azure SQL Yönetilen Örnek

Bu dört bölümden oluşan öğretici serisinde, müşteri verilerini kategorilere ayırmak için SQL Server Machine Learning Services'te veya Büyük Veri Kümelerinde bir K-Means kümeleme modeli geliştirmek ve dağıtmak için R kullanacaksınız.

Bu dört bölümden oluşan öğretici serisinde, müşteri verilerini kümeleme amacıyla SQL Server Machine Learning Services'da bir K-Means kümeleme modeli geliştirmek ve dağıtmak için R kullanacaksınız.

Bu dört bölümden oluşan öğretici serisinde, müşteri verilerini kümeleme amacıyla SQL Server R Services'de bir K-Means kümeleme modeli geliştirmek ve dağıtmak için R kullanacaksınız.

Bu dört bölümden oluşan öğretici serisinde R kullanarak Azure SQL Yönetilen Örneği Machine Learning Services'da müşteri verilerini kümeleme amacıyla bir K-Means kümeleme modeli geliştirecek ve dağıtacaksınız.

Bu serinin birinci bölümünde öğreticinin önkoşullarını ayarlayıp örnek veri kümesini bir veritabanına geri yükleyeceksiniz. İkinci ve üçüncü bölümde, bu örnek verileri analiz edip hazırlamak ve bir makine öğrenmesi modeli eğitmek için Azure Data Studio not defterinde bazı R betikleri geliştireceksiniz. Ardından, dördüncü bölümde, saklı yordamları kullanarak bu R betiklerini bir veritabanında çalıştıracaksınız.

Kümeleme , verileri bir grubun üyelerinin bir şekilde benzer olduğu gruplar halinde düzenlemek olarak açıklanabilir. Bu öğretici serisi için bir perakende işletmeniz olduğunu düşünün. Bir ürün satın alma ve iade veri kümesindeki müşterilerin kümelemini gerçekleştirmek için K-Means algoritmasını kullanacaksınız. Müşterileri kümeleyerek, belirli grupları hedefleyerek pazarlama çalışmalarınızı daha etkili bir şekilde odaklayabilirsiniz. K-Ortalamalar kümelemesi, benzerliklere göre verilerdeki desenleri arayabilen denetimsiz bir öğrenme algoritmasıdır.

Bu makalede şunları nasıl yapacağınızı öğreneceksiniz:

  • Örnek veritabanını geri yükleme

İkinci bölümde, kümeleme gerçekleştirmek için veritabanındaki verileri hazırlamayı öğreneceksiniz.

Üçüncü bölümde R'de K-Means kümeleme modeli oluşturmayı ve eğitmeyi öğreneceksiniz.

Dördüncü bölümde, yeni verilere göre R'de kümeleme gerçekleştirebilen bir veritabanında saklı yordam oluşturmayı öğreneceksiniz.

Önkoşullar

Örnek veritabanını geri yükleme

Bu öğreticide kullanılan örnek veri kümesi, indirip kullanabilmeniz için bir .bak veritabanı yedekleme dosyasına kaydedilmiştir. Bu veri kümesi, İşlem İşleme Performans Konseyi (TPC) tarafından sağlanan tpcx-bb veri kümesinden türetilir.

Uyarı

Büyük Veri Kümelerinde Machine Learning Services kullanıyorsanız bkz. Veritabanını SQL Server büyük veri kümesi ana örneğine geri yükleme.

  1. tpcxbb_1gb.bak dosyasını indirin.

  2. Aşağıdaki ayrıntıları kullanarak Azure Data Studio'da bir veritabanını yedekleme dosyasından geri yükleme bölümünde yer alan yönergeleri izleyin:

    • İndirdiğiniz tpcxbb_1gb.bak dosyasını içe aktarın.
    • Hedef veritabanını olarak adlandırın tpcxbb_1gb.

  3. Veritabanını geri yükledikten sonra tabloyu sorgulayarak veri kümesinin dbo.customer var olduğunu doğrulayabilirsiniz:

    USE tpcxbb_1gb;
SELECT * FROM [dbo].[customer];

  1. tpcxbb_1gb.bak dosyasını indirin.

  2. Şu ayrıntıları kullanarak SQL Server Management Studio'da veritabanını Yönetilen Örneğe geri yükleme bölümünde yer alan yönergeleri izleyin:

    • İndirdiğiniz tpcxbb_1gb.bak dosyasını içe aktarın.
    • Hedef veritabanını olarak adlandırın tpcxbb_1gb.

  3. Veritabanını geri yükledikten sonra tabloyu sorgulayarak veri kümesinin dbo.customer var olduğunu doğrulayabilirsiniz:

    USE tpcxbb_1gb;
SELECT * FROM [dbo].[customer];

Kaynakları temizle

Bu öğreticiye devam etmeyecekseniz veritabanını silin tpcxbb_1gb .

Sonraki adım

Bu öğretici serisinin birinci bölümünde şu adımları tamamladınız:

  • Önkoşullar yüklendi
  • Örnek veritabanı geri yüklendi

Makine öğrenmesi modeline yönelik verileri hazırlamak için bu öğretici serisinin ikinci bölümünü izleyin:

Kümeleme gerçekleştirmek için verileri hazırlama

  • Last updated on