Didacticiel R : Entraîner et enregistrer le modèle

  • Article

S’applique à : SQL Server 2016 (13.x) et versions ultérieures Azure SQL Managed Instance

Dans la quatrième des cinq parties de notre tutoriel, vous découvrirez comment entraîner un modèle Machine Learning à l’aide d’un script R. Vous entraînerez le modèle à l’aide des fonctionnalités de données que vous avez créées au cours de la partie précédente, puis vous enregistrerez le modèle formé dans une table SQL Server. Ici, vous pouvez tout effectuer à partir de SQL, car les packages R sont déjà installés avec R Services (dans la base de données).

Dans cet article, vous allez :

  • Créer et effectuer l’apprentissage d’un modèle à l’aide d’une procédure stockée SQL
  • Enregistrer le modèle formé dans une table SQL

Dans la première partie, vous avez installé les prérequis et restauré l’exemple de base de données.

Dans la deuxième partie, vous avez examiné les exemples de données et généré des tracés.

Dans la troisième partie, vous avez appris à créer des fonctionnalités à partir de données brutes à l’aide d’une fonction Transact-SQL. Ensuite, vous avez appelé cette fonction à partir d’une procédure stockée pour créer une table qui contient les valeurs des caractéristiques.

Dans la cinquième partie, vous apprendrez à rendre opérationnels les modèles que vous avez formés et enregistrés dans la quatrième partie.

Créer la procédure stockée

Lorsque vous appelez R à partir de T-SQL, vous utilisez la procédure stockée système sp_execute_external_script. Toutefois, si les processus sont souvent répétés, notamment pour entraîner à nouveau un modèle, il est plus facile d’encapsuler l’appel à sp_execute_external_script dans une autre procédure stockée.

  1. Dans Management Studio, ouvrez une nouvelle fenêtre de requête.

  2. Exécutez l’instruction suivante pour créer la procédure stockée RTrainLogitModel. Cette procédure stockée définit les données d’entrée et utilise glm pour créer un modèle de régression logistique.

    CREATE PROCEDURE [dbo].[RTrainLogitModel] (@trained_model varbinary(max) OUTPUT)

AS
BEGIN
  DECLARE @inquery nvarchar(max) = N'
    select tipped, fare_amount, passenger_count,trip_time_in_secs,trip_distance,
    pickup_datetime, dropoff_datetime,
    dbo.fnCalculateDistance(pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as direct_distance
    from nyctaxi_sample
    tablesample (70 percent) repeatable (98052)
'

  EXEC sp_execute_external_script @language = N'R',
                                  @script = N'
## Create model
logitObj <- glm(tipped ~ passenger_count + trip_distance + trip_time_in_secs + direct_distance, data = InputDataSet, family = binomial)
summary(logitObj)

## Serialize model 
trained_model <- as.raw(serialize(logitObj, NULL));
',
  @input_data_1 = @inquery,
  @params = N'@trained_model varbinary(max) OUTPUT',
  @trained_model = @trained_model OUTPUT; 
END
GO

    • Pour que des données soient disponibles pour le test du modèle, 70 % des données sont sélectionnées aléatoirement à des fins d’entraînement à partir de la table de données sur les taxis.

    • La requête SELECT utilise la fonction scalaire personnalisée fnCalculateDistance pour calculer la distance directe entre les points de prise en charge et de dépose. Les résultats de la requête sont stockés dans la variable d’entrée R par défaut, InputDataset.

    • Le script R appelle la fonction R glm pour créer le modèle de régression logistique.

      La variable binaire tipped est utilisée comme étiquette ou colonne de résultat et le modèle est adapté à l’aide de ces colonnes de caractéristiques : passenger_count, trip_distance, trip_time_in_secset direct_distance.

    • Le modèle entraîné (enregistré dans la variable R logitObj) est sérialisé et retourné en tant que paramètre de sortie.

Entraîner et déployer le modèle R à l’aide de la procédure stockée

Étant donné que la procédure stockée contient déjà une définition des données d’entrée, vous n’avez pas besoin de fournir de requête d’entrée.

  1. Pour entraîner et déployer le modèle R, appelez la procédure stockée et insérez-la dans la table de base de données nyc_taxi_models afin de pouvoir l’utiliser pour de futures prédictions :

    DECLARE @model VARBINARY(MAX);
EXEC RTrainLogitModel @model OUTPUT;
INSERT INTO nyc_taxi_models (name, model) VALUES('RTrainLogit_model', @model);

  2. Consultez la fenêtre Messages de Management Studio pour voir les messages éventuellement redirigés vers le flux stdout de R. Par exemple :

    « Message(s) STDOUT provenant du script externe : Lignes lues : 1193025, Nombre total de lignes traitées : 1193025, durée totale de la segmentation : 0,093 seconde »

  3. Une fois l’instruction terminée, ouvrez la table nyc_taxi_models. Le traitement des données et l’ajustement du modèle peuvent prendre un certain temps.

    Vous pouvez voir qu’une nouvelle ligne a été ajoutée et que celle-ci contient le modèle sérialisé dans la colonne model ainsi que le nom de modèle RTrainLogit_model dans la colonne name.

    model                        name
---------------------------- ------------------
0x580A00000002000302020....  RTrainLogit_model

Dans partie suivante de ce tutoriel, vous allez utiliser le modèle entraîné pour générer des prédictions.

Étapes suivantes

Dans cet article, vous découvrirez comment :

  • Créer et effectuer l’apprentissage d’un modèle à l’aide d’une procédure stockée SQL
  • Enregistrer le modèle formé dans une table SQL

Didacticiel R : Exécuter des prédictions dans les procédures stockées SQL