Oktatóanyag: Gépi tanulási modell pontozási varázslója dedikált SQL-készletekhez

  • Cikk

Megtudhatja, hogyan bővítheti adatait egyszerűen a dedikált SQL-készletekben prediktív gépi tanulási modellekkel. Az adatelemzők által létrehozott modellek mostantól könnyen elérhetők az adatszakértők számára a prediktív elemzéshez. A Azure Synapse Analytics adatszakértői egyszerűen kiválaszthatnak egy modellt az Azure Machine Learning modellregisztrációs adatbázisából Azure Synapse SQL-készletekben való üzembe helyezéshez, és előrejelzéseket indíthatnak az adatok bővítéséhez.

Ebből az oktatóanyagból az alábbiakat sajátíthatja el:

  • Betanított egy prediktív gépi tanulási modellt, és regisztrálja a modellt az Azure Machine Learning-modell beállításjegyzékében.
  • Az SQL-pontozási varázslóval előrejelzéseket indíthat el egy dedikált SQL-készletben.

Ha nem rendelkezik Azure-előfizetéssel, a kezdés előtt hozzon létre egy ingyenes fiókot.

Előfeltételek

Jelentkezzen be az Azure Portalra

Jelentkezzen be az Azure Portal.

Modell betanítása az Azure Machine Learningben

Mielőtt hozzákezdene, ellenőrizze, hogy a sklearn verziója 0.20.3-a-e.

Mielőtt a jegyzetfüzet összes celláját futtatja, ellenőrizze, hogy fut-e a számítási példány.

Képernyőkép az Azure Machine Learning-számítás ellenőrzéséről.

  1. Nyissa meg az Azure Machine Learning-munkaterületet.

  2. Töltse le a Predict NYC Taxi Tips.ipynb fájlt.

  3. Nyissa meg az Azure Machine Learning-munkaterületet az Azure Machine Learning Studióban.

  4. Nyissa meg a JegyzetfüzetekFájlok feltöltése> lehetőséget. Ezután válassza ki a letöltött NYC Taxi Tips.ipynb fájlt, és töltse fel. Képernyőkép a fájl feltöltésére szolgáló gombról.

  5. A jegyzetfüzet feltöltése és megnyitása után válassza az Összes cella futtatása lehetőséget.

    Előfordulhat, hogy az egyik cella meghibásodik, és megkéri, hogy végezzen hitelesítést az Azure-ban. Figyelje meg ezt a cellakimenetekben, és a hivatkozás követésével és a kód beírásával hitelesítse a böngészőben. Ezután futtassa újra a jegyzetfüzetet.

  6. A jegyzetfüzet betanított egy ONNX-modellt, és regisztrálja azt az MLflow-on. A Modellek lapon ellenőrizze, hogy az új modell megfelelően van-e regisztrálva. Képernyőkép a modellről a beállításjegyzékben.

  7. A jegyzetfüzet futtatása a tesztadatokat egy CSV-fájlba is exportálja. Töltse le a CSV-fájlt a helyi rendszerbe. Később importálja a CSV-fájlt egy dedikált SQL-készletbe, és az adatokkal teszteli a modellt.

    A CSV-fájl ugyanabban a mappában jön létre, mint a jegyzetfüzetfájl. Ha nem látja azonnal, válassza a Frissítés lehetőséget Fájlkezelő.

    Képernyőkép a C S V fájlról.

Előrejelzések indítása az SQL-pontozási varázslóval

  1. Nyissa meg a Azure Synapse munkaterületet Synapse Studio.

  2. Lépjen azAdatkapcsolatú>>tárfiókok elemre. Töltse fel test_data.csv az alapértelmezett tárfiókba.

    Képernyőkép az adatok feltöltésére szolgáló kijelölésekről.

  3. Lépjen azSQL-szkriptekfejlesztése> elemre. Hozzon létre egy új SQL-szkriptet, amely betöltődik test_data.csv a dedikált SQL-készletbe.

    Megjegyzés

    A szkriptben lévő fájl URL-címének frissítése a futtatás előtt.

    IF NOT EXISTS (SELECT * FROM sys.objects WHERE NAME = 'nyc_taxi' AND TYPE = 'U')
CREATE TABLE dbo.nyc_taxi
(
    tipped int,
    fareAmount float,
    paymentType int,
    passengerCount int,
    tripDistance float,
    tripTimeSecs bigint,
    pickupTimeBin nvarchar(30)
)
WITH
(
    DISTRIBUTION = ROUND_ROBIN,
    CLUSTERED COLUMNSTORE INDEX
)
GO

COPY INTO dbo.nyc_taxi
(tipped 1, fareAmount 2, paymentType 3, passengerCount 4, tripDistance 5, tripTimeSecs 6, pickupTimeBin 7)
FROM '<URL to linked storage account>/test_data.csv'
WITH
(
    FILE_TYPE = 'CSV',
    ROWTERMINATOR='0x0A',
    FIELDQUOTE = '"',
    FIELDTERMINATOR = ',',
    FIRSTROW = 2
)
GO

SELECT TOP 100 * FROM nyc_taxi
GO

    Adatok betöltése dedikált SQL-készletbe

  4. Lépjen azAdat-munkaterületre>. Az SQL-pontozási varázsló megnyitásához kattintson a jobb gombbal a dedikált SQL-készlettáblára. Válassza a Gépi tanulás>előrejelzése modellel lehetőséget.

    Megjegyzés

    A gépi tanulási lehetőség csak akkor jelenik meg, ha rendelkezik az Azure Machine Learninghez létrehozott társított szolgáltatással. (Lásd: Előfeltételek az oktatóanyag elején.)

    Képernyőkép a machine Learning lehetőségről.

  5. Válasszon ki egy társított Azure Machine Learning-munkaterületet a legördülő listában. Ez a lépés betölti a gépi tanulási modellek listáját a kiválasztott Azure Machine Learning-munkaterület modellregisztrációs adatbázisából. Jelenleg csak az ONNX-modellek támogatottak, így ez a lépés csak az ONNX-modelleket jeleníti meg.

  6. Válassza ki az imént betanított modellt, majd válassza a Folytatás lehetőséget.

    Képernyőkép az Azure Machine Learning-modell kiválasztásáról.

  7. Képezze le a tábla oszlopait a modell bemeneteihez, és adja meg a modell kimeneteit. Ha a modell MLflow formátumban van mentve, és a modell aláírása fel van töltve, a rendszer automatikusan elvégzi a leképezést a nevek hasonlóságán alapuló logikával. A felület a manuális leképezést is támogatja.

    Válassza a Folytatás lehetőséget.

    Képernyőkép a táblázat-modell megfeleltetésről.

  8. A létrehozott T-SQL-kód egy tárolt eljárásba van csomagolva. Ezért kell megadnia egy tárolt eljárásnevet. A modell bináris fájlja, beleértve a metaadatokat (verzió, leírás és egyéb információk) fizikailag át lesz másolva az Azure Machine Learningből egy dedikált SQL-készlettáblába. Ezért meg kell adnia, hogy melyik táblába szeretné menteni a modellt.

    Választhat a Meglévő tábla vagy az Új létrehozása lehetőség közül. Ha végzett, válassza a Modell telepítése + nyílt szkript lehetőséget a modell üzembe helyezéséhez és egy T-SQL-előrejelzési szkript létrehozásához.

    A tárolt eljárás létrehozásához szükséges kijelöléseket bemutató képernyőkép.

  9. A szkript létrehozása után válassza a Futtatás lehetőséget a pontozás végrehajtásához és az előrejelzések lekéréséhez.

    Képernyőkép a pontozásról és az előrejelzésekről.

Következő lépések