Exportar a Azure SQL Database

  • Artículo

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

En este artículo se describe cómo usar la opción Exportar Azure SQL Database en el módulo Exportar datos de Machine Learning Studio (clásico). Esta opción es útil cuando desea exportar datos desde el experimento de aprendizaje automático a un Azure SQL Database o Azure SQL Data Warehouse.

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

La exportación a una base de datos SQL es útil en muchos escenarios de aprendizaje automático: por ejemplo, es posible que desee almacenar resultados intermedios, guardar puntuaciones o conservar tablas de características diseñadas. Aunque almacenar datos en un Azure SQL Database o Azure SQL Data Warehouse puede ser más costoso que usar tablas o blobs en Azure, no hay tarifas de transacción en SQL bases de datos. Además, el almacenamiento de base de datos es ideal para escribir rápidamente cantidades más pequeñas de información usada con frecuencia, para compartir datos entre experimentos o para informar de resultados, predicciones y métricas.

Por otro lado, puede haber límites en la cantidad de datos que puede almacenar en una base de datos, según el tipo de suscripción. También debe considerar el uso de una base de datos y una cuenta que se encuentra en la misma región que el área de trabajo de Machine Learning.

Para exportar datos, proporcione el nombre de la instancia y el nombre de la base de datos donde se almacenan los datos y ejecute el módulo con una cuenta que tenga permisos de escritura. También debe especificar el nombre de la tabla y asignar las columnas del experimento a las columnas de la tabla.

Cómo exportar datos a un Azure SQL Database

  1. Agregue el módulo Exportar datos al experimento en Studio (clásico). Puede encontrar este módulo en la categoría Entrada y salida de datos.

  2. Conectar exportar datos al módulo que genera los datos que desea exportar.

  3. En Destino de datos, seleccione Azure SQL Database. Esta opción también Azure SQL Data Warehouse.

  4. Indique el nombre del servidor y la base de datos en Azure SQL Database o Azure SQL Data Warehouse.

    Nombre del servidor de base de datos: escriba el nombre del servidor generado por Azure. Normalmente tiene el formato <generated_identifier>.database.windows.net.

    Nombre de la base de datos: escriba el nombre de una base de datos existente en el servidor que acaba de especificar. El módulo Exportar datos no puede crear una base de datos.

    Nombre de la cuenta de usuario del servidor: escriba el nombre de usuario de una cuenta que tenga permisos de acceso para la base de datos.

    Contraseña de la cuenta de usuario del servidor: proporcione la contraseña de la cuenta de usuario especificada.

  5. Especifique las columnas que desea exportar y si desea cambiar el nombre de las columnas.

    Lista separada por comas de las columnas que se guardarán: escriba los nombres de las columnas del experimento que desea escribir en la base de datos.

    Nombre de tabla de datos: escriba el nombre de la tabla en la que se almacenarán los datos.

    Por Azure SQL Database, si la tabla no existe, se crea una nueva tabla.

    Por Azure SQL Data Warehouse, la tabla debe existir y tener el esquema correcto, así que asegúrese de crearla de antemano.

    Lista separada por comas de columnas de tabla de datos: escriba los nombres de las columnas como desee que aparezcan en la tabla de destino.

    Por Azure SQL Database, puede cambiar los nombres de columna, pero debe mantener las columnas en el mismo orden en que enumera las columnas para exportar, en la lista separada por comas de las columnas que se guardarán.

    Por Azure SQL Data Warehouse, los nombres de las columnas deben coincidir con los que ya están en el esquema de la tabla de destino.

  6. Número de filas escritas por SQL Azure operación: esta opción especifica cuántas filas se deben escribir en la tabla de destino en cada lote.

    De forma predeterminada, el valor se establece en 50, que es el tamaño de lote predeterminado para Azure SQL Database. Sin embargo, debe aumentar este valor si tiene un gran número de filas para escribir.

    Por Azure SQL Data Warehouse, se recomienda establecer este valor en 1. Si usa un tamaño de lote mayor, el tamaño de la cadena de comando que se envía a Azure SQL Data Warehouse puede superar la longitud de cadena permitida, lo que produce un error.

  7. Usar resultados almacenados en caché: seleccione esta opción para evitar escribir nuevos resultados cada vez que se ejecute el experimento. Si no hay ningún otro cambio en los parámetros del módulo, el experimento escribe los datos solo la primera vez que se ejecuta el módulo. Sin embargo, siempre se realiza una nueva escritura si se ha cambiado algún parámetro en Exportar datos que cambiaría los resultados.

  8. Ejecute el experimento.

Ejemplos

Para obtener ejemplos de cómo usar el módulo Exportar datos, vea el Azure AI Gallery:

  • Retail Forecasting Step 1 of 6 - data-preprocessing ( Preprocesamiento de datos: la plantilla de previsión de minoristas muestra una tarea de aprendizaje automático basada en los datos almacenados en Azure SQLDB). Muestra técnicas útiles, como el uso de una base de datos Azure SQL para pasar conjuntos de datos entre experimentos en diferentes cuentas, guardar y combinar previsiones, y cómo crear una base de datos Azure SQL solo para el aprendizaje automático.

  • Compilación e implementación de un modelo de aprendizaje automático mediante SQL Server en una máquina virtual de Azure: este artículo le guía por el uso de una base de datos de SQL Server hospedada en una máquina virtual de Azure como origen para almacenar datos de entrenamiento y predicciones. También se muestra cómo se puede usar la base de datos relacional para la ingeniería de características y la selección de características.

  • Uso de Azure ML con Azure SQL Data Warehouse: muestra el uso de datos de Azure SQL Data Warehouse para crear un modelo de agrupación en clústeres.

  • Uso Machine Learning con SQL Data Warehouse: muestra cómo crear un modelo de regresión para predecir los precios, mediante datos de Azure SQL Data Warehouse.

Notas técnicas

Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.

Preguntas frecuentes

Uso de una base de datos en una región geográfica diferente

Si el Azure SQL Database o SQL Data Warehouse está en una región diferente de la cuenta de aprendizaje automático, las escrituras pueden ser más lentas.

Además, se le cobrará por la entrada y salida de datos en la suscripción si el nodo de proceso se encuentra en una región diferente de la cuenta de almacenamiento.

¿Por qué algunos caracteres de los datos de salida no se muestran correctamente?

Machine Learning admite la codificación UTF-8. Si las columnas de cadena de la base de datos usan una codificación diferente, es posible que los caracteres no se guarden correctamente.

Además, Machine Learning no puede generar tipos de datos como money.

Parámetros del módulo

Nombre Intervalo Tipo Valor predeterminado Descripción
Origen de datos Lista Origen de datos o receptor Azure Blob Storage El origen de datos puede ser HTTP, FTP, HTTPS anónimo o FTPS, un archivo en Azure BLOB Storage, una tabla de Azure, un Azure SQL Database o Azure SQL Data Warehouse, una tabla de Hive o un punto de conexión de OData.
Nombre del servidor de base de datos cualquiera String ninguno
Nombre de la base de datos cualquiera String ninguno
Nombre de cuenta de usuario del servidor cualquiera String ninguno
Contraseña de cuenta de usuario del servidor ninguno
Lista separada por comas de columnas que se va a guardar ninguno
Nombre de la tabla de datos cualquiera String ninguno
Lista separada por comas de columnas de tabla de datos String String ninguno String
Número de filas escritas por cada operación de SQL de Azure String Entero 50 String
Uso de resultados almacenados en caché TRUE/FALSE Boolean FALSE El módulo solo se ejecuta si no existe una caché válida; De lo contrario, use los datos almacenados en caché de la ejecución anterior.

Excepciones

Excepción Descripción
Error 0027 Se produce una excepción cuando dos objetos tienen que ser del mismo tamaño pero no lo son.
Error 0003 Se produce una excepción si una o varias de las entradas son nulas o están vacías.
Error 0029 Se produce una excepción cuando se pasa un URI no válido.
Error 0030 Se produce una excepción cuando no es posible descargar un archivo.
Error 0002 Se produce una excepción si uno o más parámetros no se pudieron analizar o convertir del tipo especificado al tipo requerido por el método de destino.
Error 0009 Se produce una excepción si se especifica incorrectamente el nombre de la cuenta de almacenamiento de Azure o el nombre del contenedor.
Error 0048 Se produce una excepción cuando no es posible abrir un archivo.
Error 0015 Se produce una excepción si se ha producido un error en la conexión de base de datos.
Error 0046 Se produce una excepción si no es posible crear el directorio en la ruta de acceso especificada.
Error 0049 Se produce una excepción cuando no es posible analizar un archivo.

Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.

Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.

Consulte también

Import Data
Export Data
Exportación a Azure Blob Storage
Exportar a una consulta de Hive
Exportar a una tabla de Azure