使用 PREDICT T-SQL 函式與 SQL 機器學習進行原生評分

適用於：SQL Server 2017 （14.x）和更新版本Azure SQL 受控執行個體AzureSynapse Analytics

小提示

Microsoft Fabric Data Warehouse 是一個企業規模的關聯式倉庫，建立在資料湖基礎上，具備未來準備架構、內建 AI 及新功能。如果你是資料倉儲新手，建議先從Fabric Data Warehouse開始。現有的專用 SQL 工作負載可升級至 Fabric，以取得資料科學、即時分析與報告等多項新功能。

了解如何使用原生評分搭配 PREDICT T-SQL 函式，以近乎即時方式產生新資料輸入的預測值。原生評分需要有已定型的模型。

PREDICT 函式會使用 SQL 機器學習中的原生 C++ 延伸模組功能。此方法提供最快的預測和預測工作負載處理速度，並支援開放神經網路交換（ONNX）格式的模型（僅限 Azure Synapse Analytics）或使用 RevoScaleR 和 revoscalepy 套件定型的模型。

原生評分的運作方式

原生評分會使用可讀取 ONNX 或預先定義二進位格式模型的程式庫，並針對您所提供的新資料輸入產生分數。因為模型已定型、部署和儲存，所以可用於評分，而不必呼叫 R 或 Python 解譯器。這表示可減少多個程序互動的額外負荷，因而獲得更快的預測效能。

若要使用原生評分，請呼叫 PREDICT T-SQL 函式並傳遞下列必要的輸入：

以所支援的模型和演算法為基礎的兼容模型。
輸入資料，通常會定義為 T-SQL 查詢。

函式會傳回輸入資料的預測，以及您想要傳遞的任何來源資料行。

Prerequisites

PREDICT 適用於：

Windows 和 Linux 的 SQL Server 2017 所有版本及更新版本
Azure SQL 受控執行個體
Azure Synapse Analytics

根據預設，會啟用函式。您不需要安裝 R 或 Python，或啟用其他功能。

支援的模型

PREDICT 函式所支援模型格式取決於您執行原生評分的 SQL 平台。請參閱下表，以了解哪些平台支援哪些模型格式。

平台	ONNX 模型格式	RevoScale 模型格式
SQL Server	否	是
Azure SQL 受控執行個體	否	是
Azure Synapse Analytics	是	否

ONNX 模型

模型必須是 Open Neural Network Exchange (ONNX) 模型格式。

RevoScale 模型

您必須先使用 RevoScaleR 或 revoscalepy 套件，以下列其中一種支援的 rx 演算法來定型模型。

使用適用於 R 的 rxSerialize 及適用於 Python 的 rx_serialize_model 來序列化模型。這些序列化函式已經過最佳化，可支援快速評分。

支援的 RevoScale 演算法

revoscalepy 和 RevoScaleR 支援下列演算法。

revoscalepy 演算法
- rx_lin_mod
- rx_logit
- rx_btrees
- rx_dtree
- rx_dforest
RevoScaleR 演算法
- rxLinMod
- rxLogit
- rxBTrees
- rxDtree
- rxDForest

如果您需要使用 MicrosoftML 或 microsoftml 的演算法，請搭配 sp_rxPredict 使用即時評分。

不支援的模型類型包括下列類型：

包含其他轉換的模型
在 RevoScaleR 或 revoscalepy 對等項目中使用 rxGlm 或 rxNaiveBayes 演算法的模型
PMML 模型
使用其他開放原始碼或第三方程式庫建立的模型

範例

使用 ONNX 模型進行預測

這個範例示範如何使用 dbo.models 資料表中儲存的 ONNX 模型進行原生評分。

DECLARE @model VARBINARY(max) = (
        SELECT DATA
        FROM dbo.models
        WHERE id = 1
        );

WITH predict_input
AS (
    SELECT TOP (1000) [id]
        , CRIM
        , ZN
        , INDUS
        , CHAS
        , NOX
        , RM
        , AGE
        , DIS
        , RAD
        , TAX
        , PTRATIO
        , B
        , LSTAT
    FROM [dbo].[features]
    )
SELECT predict_input.id
    , p.variable1 AS MEDV
FROM PREDICT(MODEL = @model, DATA = predict_input, RUNTIME=ONNX) WITH (variable1 FLOAT) AS p;

注意

由於 PREDICT 所傳回的資料行和值可能會因為模型類型而有差異，所以您必須使用 WITH 子句來定義傳回資料的結構描述。

使用 RevoScale 模型進行預測

在此範例中，您會在 R 中使用 RevoScaleR 建立模型，然後從 T-SQL 呼叫即時預測函式。

步驟 1：準備及儲存模型

執行下列程式碼，以建立範例資料庫和必要的資料表。

CREATE DATABASE NativeScoringTest;
GO
USE NativeScoringTest;
GO
DROP TABLE IF EXISTS iris_rx_data;
GO
CREATE TABLE iris_rx_data (
    "Sepal.Length" float not null, "Sepal.Width" float not null
  , "Petal.Length" float not null, "Petal.Width" float not null
  , "Species" varchar(100) null
);
GO

使用下列陳述式，在資料表中填入 iris 資料集的資料。

INSERT INTO iris_rx_data ("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width" , "Species")
EXECUTE sp_execute_external_script
  @language = N'R'
  , @script = N'iris_data <- iris;'
  , @input_data_1 = N''
  , @output_data_1_name = N'iris_data';
GO

現在，請建立用以儲存模型的資料表。

DROP TABLE IF EXISTS ml_models;
GO
CREATE TABLE ml_models ( model_name nvarchar(100) not null primary key
  , model_version nvarchar(100) not null
  , native_model_object varbinary(max) not null);
GO

下列程式碼會根據 iris 資料集建立模型，並將其儲存至名為 models 的資料表。

DECLARE @model varbinary(max);
EXECUTE sp_execute_external_script
  @language = N'R'
  , @script = N'
    iris.sub <- c(sample(1:50, 25), sample(51:100, 25), sample(101:150, 25))
    iris.dtree <- rxDTree(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, data = iris[iris.sub, ])
    model <- rxSerializeModel(iris.dtree, realtimeScoringOnly = TRUE)
    '
  , @params = N'@model varbinary(max) OUTPUT'
  , @model = @model OUTPUT
  INSERT [dbo].[ml_models]([model_name], [model_version], [native_model_object])
  VALUES('iris.dtree','v1', @model) ;

注意

請務必使用來自 RevoScaleR 的 rxSerializeModel 函式來儲存模型。標準 R serialize 函式無法產生所需的格式。

您可以執行如下所示的陳述式，檢視以二進位格式儲存的模型：

SELECT *, datalength(native_model_object)/1024. as model_size_kb
FROM ml_models;

步驟 2：在模型上執行 PREDICT

下列簡單的 PREDICT 陳述式會使用原生評分函式，從決策樹模型取得分類。該函式會根據您提供的屬性、花瓣長度和寬度來預測 iris (鳶尾花) 的品種。

DECLARE @model varbinary(max) = (
  SELECT native_model_object
  FROM ml_models
  WHERE model_name = 'iris.dtree'
  AND model_version = 'v1');
SELECT d.*, p.*
  FROM PREDICT(MODEL = @model, DATA = dbo.iris_rx_data as d)
  WITH(setosa_Pred float, versicolor_Pred float, virginica_Pred float) as p;
go

如果您收到錯誤：「執行 'PREDICT' 函式時發生錯誤。模型已損毀或無效」，通常表示您的查詢未傳回模型。請檢查您輸入的模型名稱是否正確，或模型資料表是否為空白。

注意

由於 PREDICT 所傳回的資料行和值可能會因為模型類型而有差異，所以您必須使用 WITH 子句來定義傳回資料的結構描述。

意見反應

此頁面對您有幫助嗎？

Last updated on 2026-05-04