Självstudie: Guide för modellbedömning för maskininlärning (förhandsversion) för dedikerade SQL pooler

Lär dig hur du enkelt kan utöka dina data i dedikerade SQL pooler med förutsägande maskininlärningsmodeller. De modeller som dina dataexperter skapar är nu lättillgängliga för datatekniker för förutsägelseanalys. En dataproffs i Azure Synapse Analytics kan helt enkelt välja en modell från Azure Machine Learning-modellregistret för distribution i Azure Synapse SQL-pooler och starta förutsägelser för att utöka data.

I den här självstudien får du lära dig att:

Om du inte har en Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar.

Förutsättningar

• Azure Synapse Analytics med ett Azure Data Lake Storage Gen2-lagringskonto konfigurerat som standardlagring. Du måste vara den Storage Blob Data-deltagaren i Data Lake Storage Gen2-filsystemet som du arbetar med.
• Dedikerad SQL i din Azure Synapse Analytics arbetsyta. Mer information finns i Skapa en dedikerad SQL pool.
• Azure Machine Learning länkad tjänst i Azure Synapse Analytics arbetsyta. Mer information finns i Skapa en Azure Machine Learning länkad tjänst i Azure Synapse.

Logga in på Azure Portal

Logga in på Azure-portalen.

Träna en modell i Azure Machine Learning

Innan du börjar kontrollerar du att din version av sklearn är 0.20.3.

Innan du kör alla celler i anteckningsboken kontrollerar du att beräkningsinstansen körs.

1. Gå till Azure Machine Learning arbetsyta.

2. Ladda ned Predict NYC Taxi Tips.ipynb.

3. Öppna arbetsytan Azure Machine Learning i Azure Machine Learning Studio.

4. Gå till Notebooks > Upload files. Välj sedan filen Predict NYC Taxi Tips.ipynb som du laddade ned och ladda upp den.

5. När notebook-filen har laddats upp och öppnats väljer du Kör alla celler.

   En av cellerna kan misslyckas och du uppmanas att autentisera till Azure. Håll utkik efter detta i cellutdata och autentisera i webbläsaren genom att följa länken och ange koden. Kör sedan notebook-anteckningsboken på ett annat sätt.

6. Notebook-datorn tränar en ONNX-modell och registrerar den med MLflow. Gå till Modeller för att kontrollera att den nya modellen har registrerats korrekt.

7. När du kör notebook-filen exporteras även testdata till en CSV-fil. Ladda ned CSV-filen till ditt lokala system. Senare importerar du CSV-filen till en dedikerad SQL och använder data för att testa modellen.

   CSV-filen skapas i samma mapp som notebook-filen. Välj Uppdatera Utforskaren om du inte ser det direkt.

   

Starta förutsägelser med SQL med bedömningsguiden

1. Öppna arbetsytan Azure Synapse med Synapse Studio.

2. Gå till Data > linked > Storage Accounts. test_data.csvUpload till standardlagringskontot.

   

3. Gå till Utveckla > SQL skript. Skapa ett nytt SQL för inläsning test_data.csv i din dedikerade SQL pool.

   Anteckning

   Uppdatera fil-URL:en i det här skriptet innan du kör det.

   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
   

   

4. Gå till Dataarbetsyta. > Öppna guiden SQL genom att högerklicka på den dedikerade SQL-pooltabellen. Välj Machine Learning Predict with a model > (Förutse med en modell).

   Anteckning

   Maskininlärningsalternativet visas inte om du inte har en länkad tjänst som skapats för Azure Machine Learning. (Se Förutsättningar i början av den här självstudien.)

   

5. Välj en Azure Machine Learning arbetsyta i listrutan. Det här steget läser in en lista över maskininlärningsmodeller från modellregistret för Azure Machine Learning arbetsyta. För närvarande stöds endast ONNX-modeller, så det här steget visar endast ONNX-modeller.

6. Välj den modell som du precis har tränat och välj sedan Fortsätt.

   

7. Mappa tabellkolumnerna till modellens indata och ange modellens utdata. Om modellen sparas i MLflow-format och modellsignaturen fylls i, görs mappningen automatiskt åt dig med hjälp av en logik som baseras på likheterna mellan namn. Gränssnittet stöder också manuell mappning.

   Välj Fortsätt.

   

8. Den genererade T-SQL-koden omsluts i en lagrad procedur. Det är därför du måste ange ett namn på den lagrade proceduren. Modell-binärfil, inklusive metadata (version, beskrivning och annan information), kopieras fysiskt från Azure Machine Learning till en dedikerad SQL-pooltabell. Därför måste du ange vilken tabell som modellen ska sparas i.

   Du kan välja antingen Befintlig tabell eller Skapa ny. När du är klar väljer du Distribuera modell + öppet skript för att distribuera modellen och generera ett T-SQL-förutsägelseskript.

   

9. När skriptet har genererats väljer du Kör för att köra bedömning och hämta förutsägelser.

   

Nästa steg

• Snabbstart: Skapa en ny Azure Machine Learning länkad tjänst i Azure Synapse
• Maskininlärningsfunktioner i Azure Synapse Analytics