MicrosoftML (R-Paket in Machine Learning Services in SQL Server)
Gilt für: 
SQL Server 2016 (13.x) und höhere Versionen
MicrosoftML ist ein R-Paket von Microsoft, das leistungsstarke Machine-Learning-Algorithmen bereitstellt. Sie enthält Funktionen für Training, Transformationen, Bewertung, Text- und Bildanalyse sowie Featureextraktion zum Ableiten von Werten aus vorhandenen Daten. Das Paket ist in Machine Learning Services in SQL Server und in SQL Server 2016 R Services enthalten und unterstützt Hochleistung für Big Data. Dafür wird Verarbeitung mit mehreren Kernen und schnelles Datenstreaming verwendet. MicrosoftML enthält auch zahlreiche Transformationen für die Text- und Bildverarbeitung.
Vollständige Referenzdokumentation
Das MicrosoftML-Paket wird in mehreren Microsoft-Produkten bereitgestellt. Die Verwendung ist jedoch immer identisch, unabhängig davon, ob Sie das Paket in SQL Server oder einem anderen Produkt abrufen. Da die Funktionen identisch sind, wird die Dokumentation für einzelne RevoScaleR-Funktionen nur an einer Stelle in der R-Referenz veröffentlicht. Abweichungen durch produktspezifisches Verhalten finden Sie ggf. auf der Hilfeseite der Funktion.
Versionen und Plattformen
Das MicrosoftML-Paket basiert auf R 3.5.2 und ist nur verfügbar, wenn Sie eines der folgenden Microsoft-Produkte oder einen der Downloads installieren:
Hinweis
Vollständige Produktversionen sind in SQL Server 2017 nur unter Windows verfügbar. In SQL Server 2019 wird MicrosoftML sowohl unter Windows als auch unter Linux unterstützt.
Paketabhängigkeiten
Die Algorithmen folgender Elemente hängen in MicrosoftML von RevoScaleR ab:
- Datenquellenobjekte: Die von MicrosoftML-Funktionen genutzten Daten werden mithilfe von RevoScaleR-Funktionen erstellt.
- Remotecomputing (das Verschieben der Funktionsausführung in eine SQL Server-Remoteinstanz): Das RevoScaleR-Paket stellt Funktionen zum Erstellen und Aktivieren eines Remotecomputekontexts für SQL Server bereit.
In den meisten Fällen werden die Pakete bei der Verwendung von MicrosoftML zusammen geladen.
Funktionen nach Kategorie
In diesem Abschnitt werden die Funktionen nach Kategorien aufgelistet, damit Sie einen Überblick über die Verwendung der einzelnen Funktionen erhalten. Im Inhaltsverzeichnis können Sie in alphabetischer Reihenfolge nach den Funktionen suchen.
1: Machine Learning-Algorithmen
| Funktionsname | BESCHREIBUNG |
|---|---|
| rxFastTrees | Implementierung von FastRank, effiziente Implementierung des Gradient Boosting-MART-Algorithmus. |
| rxFastForest | Implementierung der zufälligen Gesamtstruktur und der Gesamtstruktur nach Quantilregression mit rxFastTrees. |
| rxLogisticRegression | Logistische Regression mit L-BFGS. |
| rxOneClassSvm | Einklassige Support Vector Machine. |
| rxNeuralNet | Binäres, mehrklassiges und neuronales Regressionsnetzwerk. |
| rxFastLinear | Optimierung des doppelten stochastischen Koordinatenanstiegs für die lineare binäre Klassifizierung und Regression. |
| rxEnsemble | Trainiert eine Reihe von verschiedenen Modellen zur Steigerung der Vorhersageleistung im Vergleich zu einem einzelnen Modell. |
2: Transformationsfunktionen
| Funktionsname | BESCHREIBUNG |
|---|---|
| concat | Erstellt eine Spalte mit einem einzelnen Vektorwert aus mehreren Spalten. |
| categorical | Erstellt einen Indikatorvektor durch Kategorietransformation mit einem Wörterbuch. |
| categoricalHash | Konvertiert den Kategoriewert durch einen Hashvorgang in ein Indikatorarray. |
| featurizeText | Erstellt aus einem angegebenen Textkorpus einen Behälter mit der Anzahl von Sequenzen aus aufeinander folgenden Wörtern (sogenannten N-Grammen). Enthält Spracherkennung, Tokenisierung, das Entfernen von Stoppwörtern, Textnormalisierung und Featuregenerierung. |
| getSentiment | Bewertet Text in natürlicher Sprache und erstellt eine Spalte mit Wahrscheinlichkeiten, dass die Stimmung im Text positiv ist. |
| ngram | Ermöglicht das Definieren von Argumenten für die anzahl- und hashbasierte Featureextraktion. |
| selectColumns | Wählt mehrere Spalten aus, die erneut trainiert werden sollen, und löscht alle anderen Spalten. |
| selectFeatures | Wählt unter Verwendung eines angegebenen Modus Funktionen aus den angegebenen Variablen aus. |
| loadImage | Lädt Bilddaten. |
| resizeImage | Ändert die Größe eines Bilds in eine angegebene Größe unter Verwendung einer angegebenen Methode zur Größenänderung. |
| extractPixels | Extrahiert die Pixelwerte aus einem Bild. |
| featurizeImage | Erstellt mithilfe eines vortrainierten tiefen neuronalen Netzwerkmodells Merkmale für ein Bild. |
3: Bewertungs- und Trainingsfunktionen
| Funktionsname | BESCHREIBUNG |
|---|---|
| rxPredict.mlModel | Führt die Bewertungsbibliothek entweder in SQL Server mithilfe der gespeicherten Prozedur oder über R-Code aus, um eine Echtzeitbewertung und dadurch eine wesentlich schnellere Vorhersageleistung zu erzielen. |
| rxFeaturize | Wandelt Daten von einem Eingabedataset in ein Ausgabedataset um. |
| mlModel | Stellt die Zusammenfassung eines Microsoft Machine Learning-Modells für R bereit. |
4: Verlustfunktionen zur Klassifizierung und Regression
| Funktionsname | BESCHREIBUNG |
|---|---|
| expLoss | Spezifikationen für eine Verlustfunktion für exponentielle Klassifizierungen. |
| logLoss | Spezifikationen für eine Verlustfunktion für Protokollklassifizierungen. |
| hingeLoss | Spezifikationen für eine Verlustfunktion für Scharnierklassifizierungen. |
| smoothHingeLoss | Spezifikationen für eine Verlustfunktion für geglättete Scharnierklassifizierungen. |
| poissonLoss | Spezifikationen für eine Verlustfunktion für Poisson-Regressionen. |
| squaredLoss | Spezifikationen für eine Verlustfunktion für quadratische Regressionen. |
5: Funktionsauswahlfunktionen
| Funktionsname | BESCHREIBUNG |
|---|---|
| minCount | Spezifikation für die Funktionsauswahl im Anzahlmodus. |
| mutualInformation | Spezifikation für die Funktionsauswahl im Transinformationsmodus. |
6: Ensemble-Modellierungsfunktionen
| Funktionsname | BESCHREIBUNG |
|---|---|
| fastTrees | Erstellt eine Liste mit dem Funktionsnamen und den Argumenten zum Trainieren eines schnellen Strukturmodells mit rxEnsemble. |
| fastForest | Erstellt eine Liste mit dem Funktionsnamen und den Argumenten zum Trainieren eines schnellen Gesamtstrukturmodells mit rxEnsemble. |
| fastLinear | Erstellt eine Liste mit dem Funktionsnamen und den Argumenten zum Trainieren eines schnellen linearen Modells mit rxEnsemble. |
| logisticRegression | Erstellt eine Liste mit dem Funktionsnamen und den Argumenten zum Trainieren eines logistischen Regressionsmodells mit rxEnsemble. |
| oneClassSvm | Erstellt eine Liste mit dem Funktionsnamen und den Argumenten zum Trainieren eines OneClassSvm-Modells mit rxEnsemble. |
7: Neuronale Netzwerkfunktionen
| Funktionsname | BESCHREIBUNG |
|---|---|
| optimizer | Gibt Optimierungsalgorithmen für den Machine Learning-Algorithmus rxNeuralNet an. |
8: Paketstatusfunktionen
| Funktionsname | BESCHREIBUNG |
|---|---|
| rxHashEnv | Umgebungsobjekt zum Speichern des paketweiten Status. |
Verwendung von MicrosoftML
Funktionen in MicrosoftML können in R-Code aufgerufen werden, der in gespeicherten Prozeduren gekapselt ist. Die meisten Entwickler erstellen MicrosoftML-Lösungen lokal, und migrieren den fertigen R-Code anschließend als Bereitstellungsübung in gespeicherte Prozeduren.
Das MicrosoftML-Paket für R ist in SQL Server 2017 bereits installiert.
Das Paket wird nicht standardmäßig geladen. Laden Sie zunächst das MicrosoftML-Paket und anschließend RevoScaleR, wenn Sie Remotecomputekontexte oder verbundene Verbindungs- oder Datenquellenobjekte verwenden müssen. Verweisen Sie dann auf die einzelnen Funktionen, die Sie benötigen.
library(microsoftml);
library(RevoScaleR);
logisticRegression(args);