CREATE MODEL
功能描述
用于训练机器学习模型并保存模型。
注意事项
AI训练时长波动较大,在部分情况下训练运行时间较长,如果设置的GUC参数statement_timeout时长过短会导致训练中断。建议将statement_timeout设置为0,对语句执行时长不做限制。
语法格式
CREATE MODEL model_name USING architecture_name
FEATURES attribute_list[,...]
[TARGET attribute_name[,...]]
FROM {[schema.]table_name | (subquery)}
[WITH {hyper_parameter_name = {hp_value | DEFAULT}}[,...]]; 
参数说明
- model_name
对训练模型进行命名,模型名称需满足唯一性约束。
取值范围:字符串,要符合标识符命名规范。
- architecture_name
训练模型的算法类型。
取值范围:字符串,当前支持logistic_regression、linear_regression、svm_classification以及kmeans。
- attribute_list
枚举训练模型的输入列名。
取值范围:字符串,需要符合数据属性名的命名规范。
- attribute_name
在监督学习任务中训练模型的目标列名(可进行简单的表达式处理)。
取值范围:字符串,需要符合数据属性名的命名规范。
- schema
模式名称。
取值范围:字符串,符合数据库SQL语法。
- table_name
训练数据表名称。
取值范围:字符串,符合数据库SQL语法。
- subquery
数据源。
取值范围:字符串,符合数据库SQL语法。
- hyper_parameter_name
机器学习模型的超参名称。
取值范围:字符串,针对不同算法超参类型范围不同。
- hp_value
超参数值。
取值范围:字符串,针对不同算法范围不同。
- DEFAULT
超参默认值,无需设置。不区分大小写。
当超参未设置具体数值,数据库采用默认值进行模型训练。
表1 超参的默认值以及取值范围 算子
超参(默认值)
取值范围
超参描述
GD:
logistic_regression、linear_regression、svm_classification、pca
optimizer = gd
gd/ngd
- gd:梯度下降法。
- ngd:自然梯度下降。
优化器。
verbose = false
T/F
日志显示。
max_iterations = 100
(0, 10000]
最大迭代次数。
max_seconds = 0
[0,INT_MAX_VALUE],其中0表示不对运行时长进行限制。
运行时长。
batch_size = 1000
(0, 1048575]
一次训练所选取的样本数。
learning_rate = 0.8
(0, DOUBLE_MAX_VALUE]
学习率。
decay = 0.95
(0, DOUBLE_MAX_VALUE]
权值衰减率。
tolerance = 0.0005
(0, DOUBLE_MAX_VALUE]
公差。
seed = 0
[0, INT_MAX_VALUE],其中0表示对seed取随机值。
种子。
just for linear、SVM:kernel = "linear"
linear/gaussian/polynomial
核函数。
just for linear、SVM:components = MAX(2*features, 128)
[0, INT_MAX_VALUE]
高维空间维数。
just for linear、SVM:gamma = 0.5
(0, DOUBLE_MAX_VALUE]
gaussian核函数参数。
just for linear、SVM:degree = 2
[2, 9]
polynomial核函数参数。
just for linear、SVM:coef0 = 1.0
[0, DOUBLE_MAX_VALUE]
polynomial核函数的参数。
just for SVM:lambda = 0.01
(0, DOUBLE_MAX_VALUE)
正则化参数。
just for pca: number_components
(0,INT_MAX_VALUE]
降维的目标维度。
GD:
multiclass
classifier="svm_classification"
svm_classification\logistic_regression
多分类任务的分类器。
Kmeans
max_iterations = 10
[1, 10000]
最大迭代次数。
num_centroids = 10
[1, 1000000]
簇的数目。
tolerance = 0.00001
(0,1]
中心点误差。
batch_size = 10
[1, 1048575]
一次训练所选取的样本数。
num_features = 2
[1, INT_MAX_VALUE]
输入样本特征数。
distance_function = "L2_Squared"
L1\L2\L2_Squared\Linf
正则化方法。
seeding_function = "Random++"
"Random++"\"KMeans||"
初始化种子点方法。
verbose = 0U
{ 0, 1, 2 }
冗长模式。
seed = 0U
[0, INT_MAX_VALUE]
种子。
xgboost:
xgboost_regression_logistic、xgboost_binary_logistic、xgboost_regression_gamma、xgboost_regression_squarederror
n_iter=10
(0, 10000]
迭代次数。
batch_size=10000
(0, 1048575]
一次训练所选取的样本数。
booster="gbtree"
gbtree\gblinear\dart
booster种类。
tree_method="auto"
auto\exact\approx\hist\gpu_hist
注意:gpu_hist参数需要相应的库是GPU版本,否则DB4AI平台不支持该值。
树构建算法。
eval_metric="rmse"
rmse\rmsle\map\mae\auc\aucpr
验证数据的评估指标。
seed=0
[0, INT_MAX_VALUE]
种子。
nthread:若未显式指定,则默认采用系统可用的最大线程数。
[0, 100]
并发量。
max_depth=6
[0, MAX_MEMORY_LIMIT]
树的最大深度,该超参仅对树型booster生效。
gamma=0.0
[0, DOUBLE_MAX_VALUE]
叶节点上进行进一步分区所需的最小损失减少。
eta=0.3
[0, 1]
更新中使用的步长收缩,以防止过拟合.
min_child_weight=1
[0, INT_MAX_VALUE]
孩子节点中所需的实例权重的最小总和。
verbosity=1
0 (silent)\1 (warning)\2 (info)\3 (debug)
打印信息的详细程度。
MAX_MEMORY_LIMIT = 最大内存加载的元组数量。
GS_MAX_COLS = 数据库单表最大属性数量。
表2 算子支持的列类型和参数类型表 算子名称
列类型
支持的数据类型
LOGISTIC_REGRESSION算子、SVM_CLASSIFICATION算子、LINEAR_REGRESSION算子、MULTICLASS算子
特征列
BOOL, INT1, INT2, INT4, INT8, FLOAT4, FLOAT8, NUMERIC, FLOAT8[], FLOAT4[]。
目标列
BIT, VARBIT, BYTEA, CHAR, RAW, NAME, TEXT, BPCHAR, VARCHAR, NVARCHAR2, INT1, INT2, INT4, INT8, FLOAT4, FLOAT8, NUMERIC, ABSTIME, DATE, TIME, DATEA, TIMESTAMP, TIMESTAMPTZ, TIMETZ, SMALLDATETIME, BOOL。
PCA算子
特征列
BOOL, INT1, INT2, INT4, INT8, FLOAT4, FLOAT8, NUMERIC, FLOAT8[], FLOAT4[]。
KMEANS算子
特征列
FLOAT8[]。
XG_REG_LOGISTIC算子、XG_BIN_LOGISTIC算子、XG_REG_SQE算子和XG_REG_GAMMA算子
特征列
BOOL, INT1, INT2, INT4, INT8, FLOAT4, FLOAT8, NUMERIC, TIMESTAMP, TIMESTAMPTZ, TIME, OID。
目标列
示例
--创建数据表。 gaussdb=# CREATE TABLE houses ( id INTEGER, tax INTEGER, bedroom INTEGER, bath DOUBLE PRECISION, price INTEGER, size INTEGER, lot INTEGER, mark text ); --插入训练数据。 gaussdb=# INSERT INTO houses(id, tax, bedroom, bath, price, size, lot, mark) VALUES (1,590,2,1,50000,770,22100,'a+'), (2,1050,3,2,85000,1410,12000,'a+'), (3,20,2,1,22500,1060,3500,'a-'), (4,870,2,2,90000,1300,17500,'a+'), (5,1320,3,2,133000,1500,30000,'a+'), (6,1350,2,1,90500,850,25700,'a-'), (7,2790,3,2.5,260000,2130,25000,'a+'), (8,680,2,1,142500,1170,22000,'a-'), (9,1840,3,2,160000,1500,19000,'a+'), (10,3680,4,2,240000,2790,20000,'a-'), (11,1660,3,1,87000,1030,17500,'a+'), (12,1620,3,2,118500,1250,20000,'a-'), (13,3100,3,2,140000,1760,38000,'a+'), (14,2090,2,3,148000,1550,14000,'a-'), (15,650,3,1.5,65000,1450,12000,'a-'); --训练模型。 gaussdb=# CREATE MODEL price_model USING logistic_regression FEATURES size, lot TARGET mark FROM HOUSES WITH learning_rate=0.88, max_iterations=default; --删除模型。 gaussdb=# DROP MODEL price_model; --删除表。 gaussdb=# DROP TABLE houses;
