PostgreSML教程：使用SQL進行機器學習

機器學習的主要趨勢涉及將數據傳輸到模型的培訓環境中。 但是，如果我們扭轉了這個過程怎麼辦？鑑於現代數據庫比機器學習模型大得多，將模型移至數據集更有效嗎？

這是PostgreSML背後的基本概念 - 數據仍在其位置，您將代碼帶到數據庫中。這種機器學習的倒置方法提供了許多實踐優勢，這些優勢挑戰了“數據庫”的常規概念。

> postgresml：概述及其優點

> Postgresml是一個建立在廣泛使用的PostgreSQL數據庫基於的綜合機器學習平台。它介紹了一種名為“ database”機器學習的新穎方法，使您能夠在SQL中執行各種ML任務，而無需為每個步驟提供單獨的工具。 >

儘管具有相對新穎性，但PostgreSML提供了幾個關鍵好處：>

> in-database ml：

在PostgreSQL數據庫中直接在PostgreSQL數據庫中直接運行ML模型。這消除了對數據庫和外部ML框架之間恆定數據傳輸的需求，從而提高了效率並降低了延遲。

> sql API：利用SQL進行培訓，微調和部署機器學習模型。這簡化了數據分析師和科學家對多個ML框架不熟悉的工作流程。
• > >>預訓練的模型：
>與擁抱面無縫集成，提供訪問眾多預訓練的模型，例如Llama，Falcon，Bert和Mistral。
• 自定義和靈活性：支持Scikit-Learn，XGBoost，LGBM，Pytorch和Tensorflow的廣泛算法，可直接在數據庫中進行多種監督的學習任務。
>生態系統集成：與任何支持Postgres的環境一起使用多種編程語言的SDK（JavaScript，Python和Rust特別支持）。
• >
• 本教程將使用典型的機器學習工作流程演示這些功能：
數據加載
• 數據預處理
模型培訓

超參數微調

生產部署

所有這些步驟將在Postgres數據庫中執行。讓我們開始！
2. > postgresml
3. 的完整監督學習工作流程

   入門：Postgresml免費tier

   1. >創建一個免費帳戶，請> https://www.php.cn/link/3349958A3E3E56580D4E415DA345703886 ：>

   

   選擇提供慷慨資源的自由層：

   註冊後，您將訪問Postgresml控制台以管理項目和資源。 >

   “管理”部分允許您根據計算需求擴展環境。 >

   1。安裝和設置Postgres

   > PostgreSML需要PostgreSQL。 可用於各種平台的安裝指南：

   > Windows
   mac os
   • linux
   對於WSL2，以下命令足夠：
   • >
   驗證安裝：

   sudo apt update
   sudo apt install postgresql postgresql-contrib
   sudo passwd postgres  # Set a new Postgres password
   # Close and reopen your terminal

   為了獲得比終端更具用戶友好的體驗，請考慮VSCODE擴展。

   >

   psql --version

   2。數據庫連接

   使用PostgreSML控制台中的連接詳細信息：

   >使用

   ：連接

   或者，使用文檔中所述的VSCODE擴展名。

   啟用PGML擴展名：psql

   psql -h "host" -U "username" -p 6432 -d "database_name"

   驗證安裝：

   3。數據加載

   CREATE EXTENSION IF NOT EXISTS pgml;

   >我們將使用Kaggle的Diamonds數據集。將其作為CSV下載或使用此python片段：

   SELECT pgml.version();

   創建表：

   填充表：

   import seaborn as sns
   diamonds = sns.load_dataset("diamonds")
   diamonds.to_csv("diamonds.csv", index=False)

   驗證數據：

   CREATE TABLE IF NOT EXISTS diamonds (
      index SERIAL PRIMARY KEY,
      carat FLOAT,
      cut VARCHAR(255),
      color VARCHAR(255),
      clarity VARCHAR(255),
      depth FLOAT,
      table_ FLOAT,
      price INT,
      x FLOAT,
      y FLOAT,
      z FLOAT
   );

   INSERT INTO diamonds
      (carat, cut, color, clarity, depth, table_, price, x, y, z)
      FROM '~/full/path/to/diamonds.csv'
      DELIMITER ','
      CSV HEADER;

   4。模型培訓

   SELECT * FROM diamonds LIMIT 10;

   基本培訓

   訓練XGBoost回歸劑：

   訓練多級分類器：

   >預處理

   SELECT pgml.train(
    project_name => 'Diamond prices prediction',
    task => 'regression',
    relation_name => 'diamonds',
    y_column_name => 'price',
    algorithm => 'xgboost'
   );

   訓練具有預處理的隨機森林模型：
   PostgreSML提供各種預處理選項（編碼，插圖，縮放）。

   SELECT pgml.train(
    project_name => 'Diamond cut quality prediction',
    task => 'classification',
    relation_name => 'diamonds',
    y_column_name => 'cut',
    algorithm => 'xgboost',
    test_size => 0.1
   );

   指定超參數
   >使用自定義超參數訓練XGBoost回歸劑：>

   sudo apt update
   sudo apt install postgresql postgresql-contrib
   sudo passwd postgres  # Set a new Postgres password
   # Close and reopen your terminal

   >超參數調整

   執行網格搜索：

   psql --version

   5。模型評估

   使用pgml.predict進行預測：

   >

   psql -h "host" -U "username" -p 6432 -d "database_name"

   使用特定模型，指定其ID：>

   CREATE EXTENSION IF NOT EXISTS pgml;

   檢索模型ID：

   SELECT pgml.version();

   6。模型部署

   Postgresml

   自動部署表現最佳的模型。 對於更精細的控制，請使用

   ：pgml.deploy>

   import seaborn as sns
   diamonds = sns.load_dataset("diamonds")
   diamonds.to_csv("diamonds.csv", index=False)

   >部署策略包括

   ，best_score和most_recent。 rollback

   進一步探索postgresml

   > postgresml超出了監督學習的範圍。首頁具有用於實驗的SQL編輯器。 建立面向消費者的ML服務可能涉及：

   創建一個用戶界面（例如，使用簡化或taipy）。 >

   開發後端（python，node.js）。
   1. 使用
   或
   2. 的庫進行數據庫交互。
   >
   3. >後端中的預處理數據。 psycopg2 在用戶交互時，pg-promise觸發
   5. pgml.predict結論
   PostgreSML提供了一種新穎的機器學習方法。 為了進一步了解您的理解，請探索GostgreSML文檔，並考慮Datacamp的SQL課程和AI基礎知識等資源。

   >

以上是PostgreSML教程：使用SQL進行機器學習的詳細內容。更多資訊請關注PHP中文網其他相關文章！