本文转载自公众号“读芯术”(ID：AI_Discovery)
长期学习数据科学的人一定知道如何用Python、R和Julia这些语言执行机器学习任务。然而，如果速度很关键，但硬件很有限，或者所在公司仅使用SQL进行预测分析，又该怎么办呢?答案就是——数据库内的机器学习。
本文使用的是Oracle Cloud。它是免费的，你可以注册并创建一个OLTP数据库 (19c版本，有0.2TB的存储空间)。完成之后，下载云钱包并通过SQL Developer或任何其他工具建立连接。这个过程至少要花费10分钟，但操作很简单，所以这里不多做赘述。
下面将使用Oracle机器学习(OML)在著名的Iris数据集中训练一个分类模型。选择它是因为无须任何准备，只需要创建表格并插入数据。
数据准备
如前所述，要创建一个表格来保存Iris数据集，然后将数据加载到其中。OML要求使用一个列作为行ID(序列)，因此要记住：
- 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)
- );
现在可以下载数据并进行加载了：
当一个模态窗口弹出时，只需提供下载CSV的路径并多次点击Next。SQL开发员无需帮助也能正确完成工作。
模型训练
现在可以动手做一些有趣的事情了。训练分类模型可以分解为多个步骤，例如训练/测试分割、模型训练和模型评估，我们从最简单的开始。
训练/测试分割
Oracle常用两个视图完成该步骤：一个用于训练数据，一个用于测试数据。可以轻松创建这些神奇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;
- /
该脚本完成下列两件事：
- 创建一个训练视图-75%的数据 (SAMPLE (75)) 在随机种子42中分割( SEED (42))。
- 创建一个测试视图-区分整个数据集和训练视图
数据储存在叫做iris_train_data和iris_test_data的视图中，猜猜看它们分别存什么。
- SELECT COUNT(*) FROM iris_train_data;
- >>> 111
- SELECT COUNT(*) FROM iris_test_data;
- >>> 39
模型训练
模型训练最简单的方法是无须创建额外的设置表格，只执行单一过程的DBMS_DATA_MINING包。使用决策树算法来训练模型。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过程接受多种参数。接着我们对进入的参数进行解释：
- iris_clf_model — 只是模型名称，它可以是任何东西。
- CLASSIFICATION — 正在进行的机器学习任务，因某种原因必须大写。
- SELECT * FROM iris_train_data — 指定训练数据存储位置。
- v_setlst — 模型的上述设置列表。
- iris_id — 序列类型列的名称(每个值都是唯一的)。
- species — 目标变量的名称(试图预测的东西)
执行这一模块需要一到两秒钟，执行完毕就可以开始计算了!
模型评价
使用该脚本评估此模型：
- BEGIN
- DBMS_DATA_MINING.APPLY(
- ‘iris_clf_model’,
- ‘iris_test_data’,
- ‘iris_id’,
- ‘iris_apply_result’
- );
- END;
- /
它将iris_clf_model应用于不可见测试数据iris_test_data，并将评估结果存储到iris_apply_result表中。
行数更多(39×3)，但突显了要点。这还不够直观，所以下面以一种稍微不同的方式来展示结果：
- 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;
- /
确实很多，但上述脚本不能再简化了。下面进行分解：
- CURSOR—得到所有不同的iris_ids(因为iris_apply_results 表中有重复)。
- curr_y, curr_yhat, num_correct, num_total 是存储每次迭代中的实际种类和预测种类、正确分类数量和测试项总数的变量。
- 对于每个唯一的iris_id 得到实际种类(来自匹配ID的iris_test_data)和预测种类(在 iris_apply_results 表中预测概率最高)
- 轻松检查实际值和预测值是否相同——这表明分类是正确的。
- 变量 num_total 和 num_correct 在每次迭代中更新。
- 最后，将模型性能打印到控制台。
下面为该脚本输出：
- 测试集有39个用例
- 39个样本中，正确分类的有37个
- 结果准确率为95%
以上就是模型评估的基本内容。
并不是所有人在工作中都能使用Python，现在，你又掌握了一种解决机器学习任务的方法。
