首页 >科技周边 >人工智能 >PostgreSML教程：使用SQL进行机器学习

PostgreSML教程：使用SQL进行机器学习

Christopher Nolan原创: 2025-03-07 09:16:12252浏览

机器学习的主要趋势涉及将数据传输到模型的培训环境中。但是，如果我们扭转了这个过程怎么办？鉴于现代数据库比机器学习模型大得多，将模型移至数据集更有效吗？

这是PostgreSML背后的基本概念 - 数据仍在其位置，您将代码带到数据库中。这种机器学习的倒置方法提供了许多实践优势，这些优势挑战了“数据库”的常规概念。

> postgresml：概述及其优点

> Postgresml是一个建立在广泛使用的PostgreSQL数据库基于的综合机器学习平台。它介绍了一种名为“ database”机器学习的新颖方法，使您能够在SQL中执行各种ML任务，而无需为每个步骤提供单独的工具。>

尽管具有相对新颖性，但PostgreSML提供了几个关键好处：>

PostgresML Tutorial: Doing Machine Learning With SQL

> in-database ml：

在PostgreSQL数据库中直接在PostgreSQL数据库中直接运行ML模型。这消除了对数据库和外部ML框架之间恒定数据传输的需求，从而提高了效率并降低了延迟。

利用SQL进行培训，微调和部署机器学习模型。这简化了数据分析师和科学家对多个ML框架不熟悉的工作流程。

> >>预训练的模型：

>与拥抱面无缝集成，提供访问众多预训练的模型，例如Llama，Falcon，Bert和Mistral。

自定义和灵活性：支持Scikit-Learn，XGBoost，LGBM，Pytorch和Tensorflow的广泛算法，可直接在数据库中进行多种监督的学习任务。

>生态系统集成：与任何支持Postgres的环境一起使用多种编程语言的SDK（JavaScript，Python和Rust特别支持）。

本教程将使用典型的机器学习工作流程演示这些功能：

数据加载

数据预处理

模型培训

超参数微调 PostgresML Tutorial: Doing Machine Learning With SQL

生产部署

> postgresml
的完整监督学习工作流程
入门：Postgresml免费tier
1. >创建一个免费帐户，请> https://www.php.cn/link/3349958A3E3E56580D4E415DA345703886 ：>
注册后，您将访问Postgresml控制台以管理项目和资源。>

“管理”部分允许您根据计算需求扩展环境。>

1。安装和设置Postgres
> PostgreSML需要PostgreSQL。可用于各种平台的安装指南：

> Windows

mac os
- linux
- >
验证安装：
```
sudo apt update
sudo apt install postgresql postgresql-contrib
sudo passwd postgres  # Set a new Postgres password
# Close and reopen your terminal
```
为了获得比终端更具用户友好的体验，请考虑VSCODE扩展。
>
```
psql --version
```
2。数据库连接
使用PostgreSML控制台中的连接详细信息：

>使用
：连接
或者，使用文档中所述的VSCODE扩展名。
启用PGML扩展名：psql
```
psql -h "host" -U "username" -p 6432 -d "database_name"
```
验证安装：

3。数据加载
```
CREATE EXTENSION IF NOT EXISTS pgml;
```
>我们将使用Kaggle的Diamonds数据集。将其作为CSV下载或使用此python片段：
```
SELECT pgml.version();
```
创建表：

填充表：
```
import seaborn as sns
diamonds = sns.load_dataset("diamonds")
diamonds.to_csv("diamonds.csv", index=False)
```
验证数据：
```
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。模型培训
```
SELECT * FROM diamonds LIMIT 10;
```
基本培训
训练XGBoost回归剂：

训练多级分类器：

>预处理
```
SELECT pgml.train(
 project_name => 'Diamond prices prediction',
 task => 'regression',
 relation_name => 'diamonds',
 y_column_name => 'price',
 algorithm => 'xgboost'
);
```
训练具有预处理的随机森林模型：

PostgreSML提供各种预处理选项（编码，插图，缩放）。
```
SELECT pgml.train(
 project_name => 'Diamond cut quality prediction',
 task => 'classification',
 relation_name => 'diamonds',
 y_column_name => 'cut',
 algorithm => 'xgboost',
 test_size => 0.1
);
```
指定超参数

>使用自定义超参数训练XGBoost回归剂：
>
```
sudo apt update
sudo apt install postgresql postgresql-contrib
sudo passwd postgres  # Set a new Postgres password
# Close and reopen your terminal
```
>超参数调整

执行网格搜索：
```
psql --version
```
5。模型评估

使用pgml.predict进行预测：
>
```
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;
```
检索模型ID：
```
SELECT pgml.version();
```
6。模型部署
Postgresml
自动部署表现最佳的模型。对于更精细的控制，请使用
：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
进一步探索postgresml
> postgresml超出了监督学习的范围。首页具有用于实验的SQL编辑器。建立面向消费者的ML服务可能涉及：

创建一个用户界面（例如，使用简化或taipy）。>
开发后端（python，node.js）。
1. 使用
2. 的库进行数据库交互。
3. >后端中的预处理数据。psycopg2 在用户交互时，pg-promise触发
5. pgml.predict结论
PostgreSML提供了一种新颖的机器学习方法。为了进一步了解您的理解，请探索GostgreSML文档，并考虑Datacamp的SQL课程和AI基础知识等资源。
>

以上是PostgreSML教程：使用SQL进行机器学习的详细内容。更多信息请关注PHP中文网其他相关文章！

声明：

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn

上一篇：Building a RAG System for Smart Decision-Making in Organizations下一篇：How to Improve RAG Performance: 5 Key Techniques with Examples

查看更多

PostgreSML教程：使用SQL进行机器学习

入门：Postgresml免费tier

>超参数调整

5。模型评估

Postgresml

相关文章