首頁 >科技週邊 >人工智慧 >PostgreSML教程：使用SQL進行機器學習

PostgreSML教程：使用SQL進行機器學習

Christopher Nolan原創: 2025-03-07 09:16:12252瀏覽

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：>

PostgresML Tutorial: Doing Machine Learning With SQL

> 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。

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 PostgresML Tutorial: Doing Machine Learning With SQL

生產部署

> postgresml
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 ：>
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
- >
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
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！

陳述：

本文內容由網友自願投稿，版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容，請聯絡admin@php.cn

上一篇：在組織中建立用於智能決策的破布系統下一篇：在組織中建立用於智能決策的破布系統

看更多

PostgreSML教程：使用SQL進行機器學習

入門：Postgresml免費tier

>超參數調整

5。模型評估

Postgresml

相關文章