本文轉(zhuǎn)載自公眾號(hào)“讀芯術(shù)”(ID：AI_Discovery)

長(zhǎng)期學(xué)習(xí)數(shù)據(jù)科學(xué)的人一定知道如何用Python、R和Julia這些語言執(zhí)行機(jī)器學(xué)習(xí)任務(wù)。然而，如果速度很關(guān)鍵，但硬件很有限，或者所在公司僅使用SQL進(jìn)行預(yù)測(cè)分析，又該怎么辦呢?答案就是——數(shù)據(jù)庫(kù)內(nèi)的機(jī)器學(xué)習(xí)。

[[350860]]

本文使用的是Oracle Cloud。它是免費(fèi)的，你可以注冊(cè)并創(chuàng)建一個(gè)OLTP數(shù)據(jù)庫(kù) (19c版本，有0.2TB的存儲(chǔ)空間)。完成之后，下載云錢包并通過SQL Developer或任何其他工具建立連接。這個(gè)過程至少要花費(fèi)10分鐘，但操作很簡(jiǎn)單，所以這里不多做贅述。

下面將使用Oracle機(jī)器學(xué)習(xí)(OML)在著名的Iris數(shù)據(jù)集中訓(xùn)練一個(gè)分類模型。選擇它是因?yàn)闊o須任何準(zhǔn)備，只需要?jiǎng)?chuàng)建表格并插入數(shù)據(jù)。 

數(shù)據(jù)準(zhǔn)備

如前所述，要?jiǎng)?chuàng)建一個(gè)表格來保存Iris數(shù)據(jù)集，然后將數(shù)據(jù)加載到其中。OML要求使用一個(gè)列作為行ID(序列)，因此要記?。?nbsp;

CREATE SEQUENCE seq_iris; 
CREATE TABLE iris_data( 
    iris_id      NUMBER DEFAULT seq_iris.NEXTVAL, 
    sepal_length NUMBER, 
    sepal_width  NUMBER, 
    petal_length NUMBER, 
    petal_width  NUMBER, 
    species      VARCHAR2(16) 
); 

現(xiàn)在可以下載數(shù)據(jù)并進(jìn)行加載了： 

當(dāng)一個(gè)模態(tài)窗口彈出時(shí)，只需提供下載CSV的路徑并多次點(diǎn)擊Next。SQL開發(fā)員無需幫助也能正確完成工作。 

模型訓(xùn)練

現(xiàn)在可以動(dòng)手做一些有趣的事情了。訓(xùn)練分類模型可以分解為多個(gè)步驟，例如訓(xùn)練/測(cè)試分割、模型訓(xùn)練和模型評(píng)估，我們從最簡(jiǎn)單的開始。

訓(xùn)練/測(cè)試分割

Oracle常用兩個(gè)視圖完成該步驟：一個(gè)用于訓(xùn)練數(shù)據(jù)，一個(gè)用于測(cè)試數(shù)據(jù)。可以輕松創(chuàng)建這些神奇PL/SQL： 

BEGIN 
    EXECUTE IMMEDIATE  
        ‘CREATE OR REPLACE VIEW  
        iris_train_data AS  
        SELECT * FROM iris_data  
        SAMPLE (75) SEED (42)’; 
    EXECUTE IMMEDIATE  
        ‘CREATE OR REPLACE VIEW  
        iris_test_data AS  
        SELECT * FROM iris_data  
        MINUS  
        SELECT * FROM iris_train_data’; 
END; 
/ 

該腳本完成下列兩件事：

• 創(chuàng)建一個(gè)訓(xùn)練視圖-75%的數(shù)據(jù) (SAMPLE (75)) 在隨機(jī)種子42中分割( SEED (42))。
• 創(chuàng)建一個(gè)測(cè)試視圖-區(qū)分整個(gè)數(shù)據(jù)集和訓(xùn)練視圖

數(shù)據(jù)儲(chǔ)存在叫做iris_train_data和iris_test_data的視圖中，猜猜看它們分別存什么。 

SELECT COUNT(*) FROM iris_train_data; 
>>> 111 
SELECT COUNT(*) FROM iris_test_data; 
>>> 39 

模型訓(xùn)練

模型訓(xùn)練最簡(jiǎn)單的方法是無須創(chuàng)建額外的設(shè)置表格，只執(zhí)行單一過程的DBMS_DATA_MINING包。使用決策樹算法來訓(xùn)練模型。方法如下： 

DECLARE  
    v_setlstDBMS_DATA_MINING.SETTING_LIST; 
BEGIN 
    v_setlst(‘PREP_AUTO’) := ‘ON’; 
    v_setlst(‘ALGO_NAME’) :=‘ALGO_DECISION_TREE’; 
  
    DBMS_DATA_MINING.CREATE_MODEL2( 
        ‘iris_clf_model’, 
        ‘CLASSIFICATION’, 
        ‘SELECT * FROM iris_train_data’, 
        v_setlst, 
        ‘iris_id’, 
        ‘species’ 
    ); 
END; 
/ 

CREATE_MODEL2過程接受多種參數(shù)。接著我們對(duì)進(jìn)入的參數(shù)進(jìn)行解釋：

• iris_clf_model — 只是模型名稱，它可以是任何東西。
• CLASSIFICATION — 正在進(jìn)行的機(jī)器學(xué)習(xí)任務(wù)，因某種原因必須大寫。
• SELECT * FROM iris_train_data — 指定訓(xùn)練數(shù)據(jù)存儲(chǔ)位置。
• v_setlst — 模型的上述設(shè)置列表。
• iris_id — 序列類型列的名稱(每個(gè)值都是唯一的)。
• species — 目標(biāo)變量的名稱(試圖預(yù)測(cè)的東西)

執(zhí)行這一模塊需要一到兩秒鐘，執(zhí)行完畢就可以開始計(jì)算了! 

模型評(píng)價(jià)

使用該腳本評(píng)估此模型： 

BEGIN 
    DBMS_DATA_MINING.APPLY( 
        ‘iris_clf_model’,  
        ‘iris_test_data’,  
        ‘iris_id’,  
        ‘iris_apply_result’ 
    ); 
END; 
/ 

它將iris_clf_model應(yīng)用于不可見測(cè)試數(shù)據(jù)iris_test_data，并將評(píng)估結(jié)果存儲(chǔ)到iris_apply_result表中。 

行數(shù)更多(39×3)，但突顯了要點(diǎn)。這還不夠直觀，所以下面以一種稍微不同的方式來展示結(jié)果： 

DECLARE  
     CURSOR iris_ids IS  
         SELECT DISTINCT(iris_id) iris_id 
         FROM iris_apply_result  
         ORDER BY iris_id; 
     curr_y      VARCHAR2(16); 
     curr_yhat   VARCHAR2(16); 
     num_correct INTEGER := 0; 
     num_total   INTEGER := 0; 
BEGIN 
    FOR r_id IN iris_ids LOOP 
        BEGIN 
            EXECUTE IMMEDIATE  
                ‘SELECT species FROM  
                iris_test_data  
                WHERE iris_id = ‘ ||r_id.iris_id 
                INTO curr_y; 
            EXECUTE IMMEDIATE  
                ‘SELECT prediction  
                FROM iris_apply_result  
                WHERE iris_id = ‘ ||r_id.iris_id ||  
               ‘AND probability = ( 
                   SELECTMAX(probability)  
                       FROMiris_apply_result  
                       WHERE iris_id = ‘|| r_id.iris_id ||  
                   ‘)’ INTO curr_yhat; 
        END; 
  
        num_total := num_total + 1; 
        IF curr_y = curr_yhat THEN  
            num_correct := num_correct +1; 
        END IF;  
    END LOOP; 
  
    DBMS_OUTPUT.PUT_LINE(‘Num. testcases: ‘  
        || num_total); 
    DBMS_OUTPUT.PUT_LINE(‘Num. correct :‘  
        || num_correct); 
    DBMS_OUTPUT.PUT_LINE(‘Accuracy : ‘  
        || ROUND((num_correct /num_total), 2)); 
END; 
/ 

確實(shí)很多，但上述腳本不能再簡(jiǎn)化了。下面進(jìn)行分解：

• CURSOR—得到所有不同的iris_ids(因?yàn)閕ris_apply_results 表中有重復(fù))。
• curr_y, curr_yhat, num_correct, num_total 是存儲(chǔ)每次迭代中的實(shí)際種類和預(yù)測(cè)種類、正確分類數(shù)量和測(cè)試項(xiàng)總數(shù)的變量。
• 對(duì)于每個(gè)唯一的iris_id 得到實(shí)際種類(來自匹配ID的iris_test_data)和預(yù)測(cè)種類(在 iris_apply_results 表中預(yù)測(cè)概率最高)
• 輕松檢查實(shí)際值和預(yù)測(cè)值是否相同——這表明分類是正確的。
• 變量 num_total 和 num_correct 在每次迭代中更新。
• 最后，將模型性能打印到控制臺(tái)。

下面為該腳本輸出： 

 

• 測(cè)試集有39個(gè)用例
• 39個(gè)樣本中，正確分類的有37個(gè)
• 結(jié)果準(zhǔn)確率為95%

以上就是模型評(píng)估的基本內(nèi)容。

并不是所有人在工作中都能使用Python，現(xiàn)在，你又掌握了一種解決機(jī)器學(xué)習(xí)任務(wù)的方法。