教程：专用 SQL 池的机器学习模型评分向导

了解如何使用预测机器学习模型轻松扩充专用 SQL 池中的数据。 数据科学家创建的模型现在可供数据专业人员轻松访问，以便进行预测分析。 Azure Synapse Analytics 中的数据专业人员只需从 Azure 机器学习模型注册表中选择模型即可在 Azure Synapse SQL 池中部署，并启动预测来扩充数据。

本教程介绍以下操作：

如果没有 Azure 订阅，可在开始前创建一个试用帐户。

• Azure Synapse Analytics 工作区，其中 Azure Data Lake Storage Gen2 存储帐户配置为默认存储。 你需要成为所使用的 Data Lake Storage Gen2 文件系统的存储 Blob 数据参与者。
• Azure Synapse Analytics 工作区中的专用 SQL 池。 有关详细信息，请参阅 创建专用 SQL 池。
• Azure Synapse Analytics 工作区中的 Azure 机器学习链接服务。 有关详细信息，请参阅 在 Azure Synapse 中创建 Azure 机器学习链接服务。

登录到 Azure 门户。

在开始之前，请验证 sklearn 版本是否为 0.20.3。

在笔记本中运行所有单元格之前，请检查计算实例是否正在运行。

1. 转到你的 Azure 机器学习工作区。

2. 下载 Predict NYC Taxi Tips.ipynb。

3. 在 Azure 机器学习工作室中打开 Azure 机器学习工作区。

4. 转到 笔记本>上传文件。 然后选择下载并上传的 Predict NYC Taxi Tips.ipynb 文件。

5. 上传并打开笔记本后，选择“ 运行所有单元格”。

   其中一个单元格可能会失败，并要求你向 Azure 进行身份验证。 请在单元格输出中注意此信息，在浏览器中使用以下链接并输入代码进行身份验证。 然后重新运行笔记本。

6. 笔记本将训练 ONNX 模型并将其注册到 MLflow。 转到 “模型 ”，检查新模型是否已正确注册。

7. 运行笔记本还将测试数据导出到 CSV 文件中。 将 CSV 文件下载到本地系统。 稍后，你将将 CSV 文件导入专用 SQL 池，并使用数据测试模型。

   CSV 文件是在笔记本文件所在的同一文件夹中创建的。 如果在文件资源管理器中没有立即看到它，请选择刷新。

   

1. 使用 Synapse Studio 打开 Azure Synapse 工作区。

2. 转到 数据>关联>存储帐户。 将文件上传到 test_data.csv 默认存储帐户。

   

3. 转到 “开发>SQL 脚本”。 创建新的 SQL 脚本以加载 test_data.csv 到专用 SQL 池中。

   备注

   在运行此脚本之前，请更新其中的文件 URL。

   IF NOT EXISTS (SELECT * FROM sys.objects WHERE NAME = 'nyc_taxi' AND TYPE = 'U')
   CREATE TABLE dbo.nyc_taxi
   (
       tipped int,
       fareAmount float,
       paymentType int,
       passengerCount int,
       tripDistance float,
       tripTimeSecs bigint,
       pickupTimeBin nvarchar(30)
   )
   WITH
   (
       DISTRIBUTION = ROUND_ROBIN,
       CLUSTERED COLUMNSTORE INDEX
   )
   GO
   
   COPY INTO dbo.nyc_taxi
   (tipped 1, fareAmount 2, paymentType 3, passengerCount 4, tripDistance 5, tripTimeSecs 6, pickupTimeBin 7)
   FROM '<URL to linked storage account>/test_data.csv'
   WITH
   (
       FILE_TYPE = 'CSV',
       ROWTERMINATOR='0x0A',
       FIELDQUOTE = '"',
       FIELDTERMINATOR = ',',
       FIRSTROW = 2
   )
   GO
   
   SELECT TOP 100 * FROM nyc_taxi
   GO
   

   

4. 转到 数据>工作区。 右键单击专用 SQL 池表，打开 SQL 评分向导。 选择机器学习>使用模型进行预测。

   备注

   除非已为 Azure 机器学习创建链接服务，否则不会显示机器学习选项。 （请参阅本教程开头的 先决条件 。

   

5. 在下拉列表中选择链接的 Azure 机器学习工作区。 此步骤从所选 Azure 机器学习工作区的模型注册表加载机器学习模型列表。 目前仅支持 ONNX 模型，因此此步骤仅显示 ONNX 模型。

6. 选择刚刚训练的模型，然后选择“ 继续”。

   

7. 将表列映射到模型输入并指定模型输出。 如果模型是以 MLflow 格式保存的并且模型签名已进行填充，则系统会使用基于名称相似性的逻辑为你自动执行映射。 该接口还支持手动映射。

   选择继续。

   

8. 生成的 T-SQL 代码封装在存储过程内。 这就是为什么需要提供存储过程名称的原因。 模型二进制文件（包括元数据（版本、说明和其他信息）将从 Azure 机器学习物理复制到专用 SQL 池表。 因此，需要指定要在其中保存模型的表。

   可以选择 现有表 或 新建表。 完成后，选择“ 部署模型 + 打开脚本 ”以部署模型并生成 T-SQL 预测脚本。

   

9. 生成脚本后，选择 “运行 ”以执行评分并获取预测。

   

• 快速入门：在 Azure Synapse 中创建新的 Azure 机器学习链接服务
• Azure Synapse Analytics 中的机器学习功能