共用方式為


教學課程:使用 SQL 機器學習在 R 中部署預測模型

適用於:SQL Server 2016 (13.x) 和更新版本 Azure SQL 受控執行個體

在這個四部分教學課程系列的第四部分中,您會將以 R 開發的機器學習模型部署到 SQL Server 機器學習服務或巨量資料叢集。

在這個四部分教學課程系列的第四部分中,您將使用機器學習服務,將以 R 開發的機器學習模型部署到 SQL Serve。

在這個四部分教學課程系列的第四部分中,您將使用 SQL Server R Services,將以 R 開發的機器學習模型部署到 SQL Serve。

在這個四部分教學課程系列的第四部分中,您將使用機器學習服務,將以 R 開發的機器學習模型部署到 Azure SQL 受控執行個體。

在本文中,您將學會如何:

  • 建立會產生機器學習模型的預存程序
  • 將模型儲存在資料庫資料表中
  • 建立一個使用此模型進行預測的預存程序
  • 以新資料執行模型

第一部分,您已了解如何還原範例資料庫。

第二部分中,您已了解如何匯入資料庫範例,然後準備要用來在 R 中定型預測模型的資料。

第三部分中,您已了解如何在 R 中建立及定型多個機器學習模型,然後選擇最精確的模型。

Prerequisites

本教學課程的第四部分假設您已滿足第一部分的必要條件,並已完成第二部分第三部分中的步驟。

建立一個會產生模型的預存程序

在本教學課程系列的第三部分中,您已判定決策樹 (dtree) 是最精確的模型。 現在,請使用所開發的 R 指令碼建立預存程序 (generate_rental_model),以使用 R 套件中的 rpart 來定型及產生 dtree 模型。

在 Azure Data Studio 中執行下列命令。

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

將模型儲存在資料庫資料表中

在 TutorialDB 資料庫中建立資料表,然後將模型儲存至資料表。

  1. 建立用來儲存模型的資料表 (rental_models)。

    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
    
  2. 使用模型名稱 "DTree",將模型以二進位物件的形式儲存至資料表。

    -- 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;
    

建立一個進行預測的預存程序

建立會使用定型的模型和一組新資料進行預測的預存程序 (predict_rentalcount_new)。

-- 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

以新資料執行模型

現在,您可以使用預存程序 predict_rentalcount_new 從新資料預測出租計數。

-- 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

您應該會看到如下的結果。

RentalCount_Predicted
332.571428571429

您已在資料庫中成功建立、定型和部署模型。 接著您在預存程序中使用該模型根據新資料來預測值。

清除資源

在使用完 TutorialDB 資料庫後,請從您的伺服器將其刪除。

後續步驟

在本教學課程系列的第四部分中,您學到了如何:

  • 建立會產生機器學習模型的預存程序
  • 將模型儲存在資料庫資料表中
  • 建立一個使用此模型進行預測的預存程序
  • 以新資料執行模型

若要深入了解如何在機器學習服務中使用 R,請參閱: