Assegnazione dei punteggi nativa tramite la funzione PREDICT T-SQL con Machine Learning in SQL

Modelli ONNX

Il modello deve essere in un formato ONNX (Open Neural Network Exchange).

Modelli RevoScale

Il training del modello deve essere eseguito in anticipo con uno degli algoritmi rx supportati elencati di seguito usando il pacchetto RevoScaleR o revoscalepy.

Serializzare il modello usando rxSerialize per R e rx_serialize_model per Python. Queste funzioni di serializzazione sono state ottimizzate per supportare l'assegnazione rapida dei punteggi.

Algoritmi RevoScale supportati

Gli algoritmi seguenti sono supportati in revoscalepy e RevoScaleR.

• Algoritmi revoscalepy

  • rx_lin_mod
  • rx_logit
  • rx_btrees
  • rx_dtree
  • rx_dforest

• Algoritmi RevoScaleR

  • rxLinMod
  • rxLogit
  • rxBTrees
  • rxDtree
  • rxDForest

Se è necessario usare un algoritmo di MicrosoftML o microsoftml, usare l'assegnazione dei punteggi in tempo reale con sp_rxPredict.

I tipi di modelli non supportati includono i seguenti:

• Modelli contenenti altre trasformazioni
• Modelli che usano gli algoritmi rxGlm o rxNaiveBayes negli equivalenti RevoScaleR o revoscalepy
• Modelli PMML
• Modelli creati con altre librerie open source o di terze parti

PREDICT con un modello ONNX

Questo esempio mostra come usare un modello ONNX archiviato nella tabella dbo.models per l'assegnazione dei punteggi nativa.

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;

PREDICT con il modello RevoScale

In questo esempio viene creato un modello usando RevoScaleR in R e quindi viene chiamata la funzione di stima in tempo reale da T-SQL.

Passaggio 1: Preparare e salvare il modello

Eseguire il codice seguente per creare il database di esempio e le tabelle richieste.

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

Usare l'istruzione seguente per popolare la tabella dati con i dati del set di dati iris.

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

Creare ora una tabella per archiviare i modelli.

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

Il codice seguente crea un modello basato sul set di dati iris e lo salva nella tabella denominata models.

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) ;

Per visualizzare il modello archiviato in formato binario, è possibile eseguire un'istruzione come la seguente:

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

Passaggio 2. Eseguire PREDICT sul modello

Con la semplice istruzione PREDICT seguente si ottiene una classificazione dal modello di albero delle decisioni usando la funzione di assegnazione dei punteggi nativa. Consente di stimare le specie di iris in base agli attributi specificati, ovvero lunghezza e larghezza dei petali.

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

Se si ottiene l'errore "Si è verificato un errore durante l'esecuzione della funzione PREDICT. Il modello è danneggiato o non è valido", in genere significa che la query non ha restituito un modello. Verificare se il nome del modello è stato digitato correttamente o se la tabella models è vuota.