4.8 モデル設定の指定
モデルは、モデル設定を指定して構成できます。
機械学習モデルは、作成時に多数の構成設定を使用して構成できます。CREATE_MODELまたはCREATE_MODEL2プロシージャでモデル設定を指定します。CREATE_MODELプロシージャで設定を指定するには、次の表に示す列を持つ設定表を作成し、その表をプロシージャ内で渡します。
また、CREATE_MODEL2プロシージャを使用して、プロシージャ内で使用できる変数にモデル設定を直接渡すこともできます。変数は、DBMS_DATA_MINING.SETTING_LISTプロシージャを使用して宣言できます。
表4-9 設定表に必要な列
| 列名 | データ型 |
|---|---|
|
|
|
|
|
|
例4-3では、サポート・ベクター・マシン(SVM)分類モデルの設定表が作成されます。SVMはデフォルトの分類機能ではないため、ALGO_NAME設定を使用してこのアルゴリズムを指定します。SVMS_KERNEL_FUNCTIONをSVMS_LINEARに設定することにより、モデルは線形カーネルを使用して作成されます。カーネル関数を指定しない場合、アルゴリズムがデータの属性の数に基づいてカーネルを選択します。
例4-4では、SETTING_LISTの変数に格納されているモデル設定を使用して、モデルを作成します。
通常はモデルに適用される設定と、アルゴリズムに固有の設定があります。モデルの設定は表4-10および表4-11を参照してください。
表4-11 アルゴリズム固有のモデルの設定
| アルゴリズム | 説明 |
|---|---|
|
CUR行列分解 |
|
|
デシジョン・ツリー |
|
|
期待値の最大化 |
|
|
明示的セマンティック分析 |
|
|
指数平滑法 |
|
|
一般化線形モデル |
|
|
k-Means |
|
|
多変量状態推定手法 - 順次確率比率テスト |
|
|
Naive Bayes |
|
|
ニューラル・ネットワーク |
|
|
Non-Negative Matrix Factorization |
DBMS_DATA_MINING - アルゴリズムの設定: Non-Negative Matrix Factorization |
|
O-Cluster |
|
|
ランダム・フォレスト |
|
|
特異値分解 |
|
|
サポート・ベクター・マシン |
|
|
XGBoost |
ノート:
XGBoostの一部の目標は分類関数モデルのみに適用され、他の目標は回帰関数モデルのみに適用されます。互換性のないobjective値を指定すると、エラーが発生します。DBMS_DATA_MINING.CREATE_MODELプロシージャで関数としてDBMS_DATA_MINING.CLASSIFICATIONを指定した場合、使用できる目標値はbinaryおよびmultiの値のみです。例外の1つは、連続した値を生成して回帰モデルにのみ適用されるbinary: logitrawです。関数としてDBMS_DATA_MINING.REGRESSIONを指定する場合は、binary: logitraw、またはcount、rank、regおよびsurvivalのいずれかの値を目標として指定できます。
XGBoostの目標の設定値は、DBMS_DATA_MINING — アルゴリズムの設定: XGBoostの「学習タスクの設定」表にリストされています。
例4-3 CREATE.MODELプロシージャを使用した設定表の作成およびSVM分類モデルの作成
CREATE TABLE svmc_sh_sample_settings (
setting_name VARCHAR2(30),
setting_value VARCHAR2(4000));
BEGIN
INSERT INTO svmc_sh_sample_settings (setting_name, setting_value) VALUES
(dbms_data_mining.algo_name, dbms_data_mining.algo_support_vector_machines);
INSERT INTO svmc_sh_sample_settings (setting_name, setting_value) VALUES
(dbms_data_mining.svms_kernel_function, dbms_data_mining.svms_linear);
COMMIT;
END;
/
-- Create the model using the specified settings
BEGIN
DBMS_DATA_MINING.CREATE_MODEL(
model_name => 'svm_model',
mining_function => dbms_data_mining.classification,
data_table_name => 'mining_data_build_v',
case_id_column_name => 'cust_id',
target_column_name => 'affinity_card',
settings_table_name => 'svmc_sh_sample_settings');
END;例4-4 CREATE_MODEL2プロシージャを使用したSVM分類モデルのモデル設定の指定
DECLARE
v_setlist DBMS_DATA_MINING.SETTING_LIST;
BEGIN
v_setlist('PREP_AUTO') := 'ON';
v_setlist('ALGO_NAME') := 'ALGO_SUPPORT_VECTOR_MACHINES';
v_setlist('SVMS_KERNEL_FUNCTION') := 'SVMS_LINEAR';
DBMS_DATA_MINING.CREATE_MODEL2(
MODEL_NAME => 'SVM_MODEL',
MINING_FUNCTION => 'CLASSIFICATION',
DATA_QUERY => 'select * from mining_data_build_v',
SET_LIST => v_setlist,
CASE_ID_COLUMN_NAME => 'CUST_ID,
TARGET_COLUMN_NAME => 'AFFINITY_CARD');
END;- コストの指定
デシジョン・ツリー・モデルを作成するためのコスト・マトリックスを指定します。 - 事前確率の指定
事前確率は、作成データと実際の母集団の間の分布の差を埋めるために使用されます。 - クラスの重みの指定
より高い重み付けのクラスを優先するには、ロジスティック回帰またはサポート・ベクター・マシン(SVM)分類でクラス重み表設定を指定します。 - パーティション化されたモデルについて
複数のモデルを編成し表現する、パーティション化されたモデルについて説明します。 - データ・ディクショナリにおけるモデルの設定
データ・ディクショナリ・ビューでのALL/USER/DBA_MINING_MODEL_SETTINGSについて説明します。 - RモデルのOracle Machine Learningモデル設定の指定
R言語モデルの機械学習モデル設定によって、モデルの特性が決まります。モデル設定はモデル設定表で指定します。
親トピック: モデルの作成
4.8.1 コストの指定
デシジョン・ツリー・モデルを作成するためのコスト・マトリックスを指定します。
CLAS_COST_TABLE_NAME設定は、デシジョン・ツリー・モデルの作成に使用するコスト・マトリックス表の名前を指定します。コスト・マトリックスは、分類モデルにバイアスをかけて、コストのかかる分類ミスを最小化します。コスト・マトリックス表には、次の表に示す列が必要です。
表4-12 コスト・マトリックス表に必要な列
| 列名 | データ型 |
|---|---|
|
|
有効なターゲット・データ型 |
|
|
有効なターゲット・データ型 |
|
|
|
デシジョン・ツリーは、作成時にコスト・マトリックスを指定できる唯一のアルゴリズムです。ただし、スコアリングの際には、どの分類モデルにもコスト・マトリックスを作成して関連付けることができます。
スコアリングにコストを使用する場合は、表4-12に示す列を持つ表を作成し、DBMS_DATA_MINING.ADD_COST_MATRIXプロシージャを使用してコスト・マトリックス表をモデルに追加します。PREDICTION関数を呼び出すときに、コスト・マトリックスをインラインで指定することもできます。表3-1で、有効なターゲット・データ型の詳細を示しています。
親トピック: モデル設定の指定
4.8.3 クラスの重みの指定
より高い重み付けのクラスを優先するには、ロジスティック回帰またはサポート・ベクター・マシン(SVM)分類でクラス重み表設定を指定します。
親トピック: モデル設定の指定
4.8.4 RモデルのOracle Machine Learningモデル設定の指定
このトピックは、Oracleオンプレミスにのみ適用されます。
ALGO_EXTENSIBLE_LANG設定の値にRを指定します。アルゴリズムを必要としない一般的な設定(ODMS_PARTITION_COLUMNS、ODMS_SAMPLINGなど)を設定表で組み合せることによって、モデルを作成できます。Rの機械学習モデル専用の次の設定も指定できます。
- ALGO_EXTENSIBLE_LANG
Oracle Machine Learning for SQLの拡張アルゴリズム・フレームワークの言語を指定するには、ALGO_EXTENSIBLE_LANG設定を使用します。 - RALG_BUILD_FUNCTION
R言語を使用するOracle Machine Learning for SQLモデルを作成するために既存の登録済Rスクリプトの名前を指定するには、RALG_BUILD_FUNCTION設定を使用します。 - RALG_DETAILS_FUNCTION
RALG_DETAILS_FUNCTIONにより、Rdata.frameで戻されるRモデル・メタデータを指定します。 - RALG_DETAILS_FORMAT
モデル・ビュー内の名前および列タイプを指定するには、RALG_DETAILS_FORMAT設定を使用します。 - RALG_SCORE_FUNCTION
データのスコアリングに使用するRアルゴリズム機械学習モデルに既存の登録済Rスクリプトを指定するには、RALG_SCORE_FUNCTION設定を使用します。 - RALG_WEIGHT_FUNCTION
スコアリング内の各属性の重みまたは寄与率を計算する、既存の登録済Rスクリプトの名前を指定するには、RALG_WEIGHT_FUNCTION設定を使用します。指定したRスクリプトは、SQL関数PREDICTION_DETAILSで、属性の寄与率を評価するために使用されます。 - 登録済Rスクリプト
RALG_*_FUNCTION設定では、Oracle Machine Learning for Rスクリプト・リポジトリ内に存在するRスクリプトを指定する必要があります。 - アルゴリズム・メタデータの登録
アルゴリズム・メタデータの登録では、統一性と一貫性のある方法で新規アルゴリズム関数およびその設定を登録できます。
関連トピック
親トピック: モデル設定の指定
4.8.4.1 ALGO_EXTENSIBLE_LANG
Oracle Machine Learning for SQLの拡張アルゴリズム・フレームワークの言語を指定するには、ALGO_EXTENSIBLE_LANG設定を使用します。
現在、RのみがALGO_EXTENSIBLE_LANG設定の有効な値です。ALGO_EXTENSIBLE_LANGの値にRを設定した場合、機械学習モデルは、R言語を使用して作成されます。設定表の次の設定を使用して、Rモデルの特性を指定できます。
関連トピック
4.8.4.2 RALG_BUILD_FUNCTION
R言語を使用するOracle Machine Learning for SQLモデルを作成するために既存の登録済Rスクリプトの名前を指定するには、RALG_BUILD_FUNCTION設定を使用します。
RALG_BUILD_FUNCTION設定とALGO_EXTENSIBLE_LANG設定の両方を指定する必要があります。Rスクリプトは、最初の入力引数としてトレーニング・データ用のRのdata.frameオブジェクトを持つR関数を定義します。この関数は、Oracle Machine Learningのモデルのオブジェクトを戻します。最初のデータ引数は必須です。RALG_BUILD_FUNCTIONは、追加のモデル作成パラメータを受け入れることができます。
ノート:
入力パラメータの有効な入力は、数値および文字列のスカラー・データ型です。例4-5 RALG_BUILD_FUNCTIONの例
この例は、モデルの作成に使用されるRスクリプトMY_LM_BUILD_SCRIPTの名前の指定方法を示しています。
Begin
insert into model_setting_table values
(dbms_data_mining.ralg_build_function,'MY_LM_BUILD_SCRIPT');
End;
/ RスクリプトMY_LM_BUILD_SCRIPTにより、LMモデルを作成するR関数が定義されます。既存のOML4Rセキュリティ制限を使用するOracle Machine Learning for Rスクリプト・リポジトリにスクリプトMY_LM_BUILD_SCRIPTを登録する必要があります。OML4Rのsys.rqScriptCreateプロシージャを使用して、スクリプトを登録できます。OML4RでRスクリプトを登録するにはRQADMINロールが必要です。
たとえば:
Begin
sys.rqScriptCreate('MY_LM_BUILD_SCRIPT', 'function(data, formula, model.frame) {lm(formula = formula, data=data, model = as.logical(model.frame)}');
End;
/クラスタリングと特徴抽出の機械学習機能のモデル作成では、戻りRモデルでR属性のdm$nclusおよびdm$nfeatを設定して、クラスタと特徴の数をそれぞれ指定する必要があります。
RスクリプトMY_KM_BUILD_SCRIPTにより、クラスタリング用のk-Meansモデルを作成するR関数が定義されます。R属性dm$nclusは、戻りクラスタリング・モデル用のクラスタ数で設定されます。
'function(dat) {dat.scaled <- scale(dat)
set.seed(6543); mod <- list()
fit <- kmeans(dat.scaled, centers = 3L)
mod[[1L]] <- fit
mod[[2L]] <- attr(dat.scaled, "scaled:center")
mod[[3L]] <- attr(dat.scaled, "scaled:scale")
attr(mod, "dm$nclus") <- nrow(fit$centers)
mod}'RスクリプトMY_PCA_BUILD_SCRIPTにより、PCAモデルを作成するR関数が定義されます。R属性dm$nfeatは、戻される特徴抽出モデル用の特徴数で設定されます。
'function(dat) {
mod <- prcomp(dat, retx = FALSE)
attr(mod, "dm$nfeat") <- ncol(mod$rotation)
mod}'- RALG_BUILD_PARAMETER
RALG_BUILD_FUNCTION入力パラメータでは、SQLのSELECT問合せ文の形式で、数値と文字列のスカラー値のリストを指定します。
関連トピック
4.8.4.2.1 RALG_BUILD_PARAMETER
RALG_BUILD_FUNCTION入力パラメータは、SQL SELECT問合せ文フォーマットの数値および文字列スカラー値のリストを指定します。
例4-6 RALG_BUILD_PARAMETERの例
RALG_BUILD_FUNCTION入力パラメータは、数値および文字列のスカラー値のリストである必要があります。入力パラメータはオプションです。
'SELECT value parameter name ...FROM dual'RALG_BUILD_PARAMETERを使用して、入力引数'formula'の式、および入力引数'model.frame'の数値ゼロを指定する方法を示しています。これらの入力引数は、RALG_BUILD_FUNCTIONパラメータで使用されるRスクリプトの関数シグネチャと一致する必要があります。 Begin
insert into model_setting_table values
(dbms_data_mining.ralg_build_parameter, 'select ''AGE ~ .'' as "formula", 0 as "model.frame" from dual');
End;
/関連トピック
親トピック: RALG_BUILD_FUNCTION
4.8.4.3 RALG_DETAILS_FUNCTION
RALG_DETAILS_FUNCTIONは、R data.frameで戻されるRモデル・メタデータを指定します。
モデル情報を生成する、既存の登録済Rスクリプトの名前を指定するには、RALG_DETAILS_FUNCTIONを使用します。スクリプトにより、Rモデル・オブジェクトの最初の入力引数を含むR関数が定義されます。R関数の出力はdata.frameとなる必要があります。data.frameの列は、RALG_DETAILS_FORMAT設定によって定義され、数値または文字列スカラー型のみを含むことができます。
例4-7 RALG_DETAILS_FUNCTIONの例
MY_LM_DETAILS_SCRIPTの名前の指定方法を示しています。このスクリプトにより、モデル情報の提供に使用されるR関数が定義されます。 Begin
insert into model_setting_table values
(dbms_data_mining.ralg_details_function, 'MY_LM_DETAILS_SCRIPT');
End;
/MY_LM_DETAILS_SCRIPTは次のように登録されます。 'function(mod) data.frame(name=names(mod$coefficients),
coef=mod$coefficients)'関連トピック
4.8.4.4 RALG_DETAILS_FORMAT
モデル・ビュー内の名前および列タイプを指定するには、RALG_DETAILS_FORMAT設定を使用します。
設定の値は、モデル・ビュー列の名前およびタイプの数値および文字列スカラー・データ型のリストを指定するSELECT文を含む文字列です。
RALG_DETAILS_FORMATとRALG_DETAILS_FUNCTION設定の両方が指定されている場合、名前DM$VD <model_name>によるモデル・ビューが、Rモデルとともに現在のスキーマに作成されます。モデル・ビューの最初の列はPARTITION_NAMEです。パーティション化されていないモデルの場合はNULL値となります。モデル・ビューの他の列は、RALG_DETAILS_FORMAT設定によって定義されます。
例4-8 RALG_DETAILS_FORMATの例
partition_nameの後にvarchar2列のattr_nameおよび数値列coef_valueが含まれます。Begin
insert into model_setting_table values
(dbms_data_mining.ralg_details_format, 'select cast(''a'' as varchar2(20)) as attr_name, 0 as coef_value from dual');
End;
/関連トピック
4.8.4.5 RALG_SCORE_FUNCTION
データのスコアリングに使用するRアルゴリズム機械学習モデルに既存の登録済Rスクリプトを指定するには、RALG_SCORE_FUNCTION設定を使用します。
指定したRスクリプトによりR関数が定義されます。最初の入力引数は、モデル・オブジェクトを定義します。2番目の入力引数は、データのスコアリングに使用されるR data.frameを定義します。
例4-9 RALG_SCORE_FUNCTIONの例
data.frame.のデータをスコアリングする方法を示しています関数引数objectはLMモデルです。引数newdataは、スコアリングするデータが含まれているdata.frameです。function(object, newdata) {res <- predict.lm(object, newdata = newdata, se.fit = TRUE); data.frame(fit=res$fit, se=res$se.fit, df=summary(object)$df[1L])}R関数の出力はdata.frameとなる必要があります。各行は、入力data.frameの対応するスコアリング・データの予測を表しています。data.frameの列は、次のように機械学習機能固有です。
回帰: 予測対象のターゲット値の単一の数値列であり、モデル適合の標準誤差および自由度の2つのオプション列があります。オプション列は、SQL関数PREDICTION_BOUNDSが動作するために必要です。
例4-10 回帰用のRALG_SCORE_FUNCTIONの例
この例は、モデル設定表model_setting_tableでのモデルのスコアリングに使用されるRスクリプトMY_LM_PREDICT_SCRIPTの名前の指定方法を示しています。
Begin
insert into model_setting_table values
(dbms_data_mining.ralg_score_function, 'MY_LM_PREDICT_SCRIPT');
End;
/MY_LM_PREDICT_SCRIPTは次のように登録されます。 function(object, newdata) {data.frame(pre = predict(object, newdata = newdata))}分類: 各列は、1つのターゲット・クラスの予測確率を表します。列名は、ターゲット・クラス名です。
例4-11 分類用のRALG_SCORE_FUNCTIONの例
この例は、モデル設定表model_setting_tableでのロジット分類モデルのスコアリングに使用されるRスクリプトMY_LOGITGLM_PREDICT_SCRIPTの名前の指定方法を示しています。
Begin
insert into model_setting_table values
(dbms_data_mining.ralg_score_function, 'MY_LOGITGLM_PREDICT_SCRIPT');
End;
/MY_LOGITGLM_PREDICT_SCRIPTは次のように登録されます。これは、"0"と "1"の2つのターゲット・クラスを持つロジット分類です。'function(object, newdata) {
pred <- predict(object, newdata = newdata, type="response");
res <- data.frame(1-pred, pred);
names(res) <- c("0", "1");
res}'クラスタリング: 各列は、1つのクラスタの予測確率を表します。列は、クラスタIDの順に並べられます。各クラスタにはクラスタIDが割り当てられ、これは1から始まる連続した値です。RモデルでCLUSTER_DISTANCEをサポートするには、Rスコア関数の出力は、予測確率の列の後に、クラスタIDの順で各クラスタへの距離の値を含む追加列を戻します。
例4-12 クラスタリング用のRALG_SCORE_FUNCTIONの例
この例は、モデル設定表model_setting_tableでのモデルのスコアリングに使用されるRスクリプトMY_CLUSTER_PREDICT_SCRIPTの名前の指定方法を示しています。
Begin
insert into model_setting_table values
(dbms_data_mining.ralg_score_function, 'MY_CLUSTER_PREDICT_SCRIPT');
End;
/MY_CLUSTER_PREDICT_SCRIPTは次のように登録されます。'function(object, dat){
mod <- object[[1L]]; ce <- object[[2L]]; sc <- object[[3L]];
newdata = scale(dat, center = ce, scale = sc);
centers <- mod$centers;
ss <- sapply(as.data.frame(t(centers)),
function(v) rowSums(scale(newdata, center=v, scale=FALSE)^2));
if (!is.matrix(ss)) ss <- matrix(ss, ncol=length(ss));
disp <- -1 / (2* mod$tot.withinss/length(mod$cluster));
distr <- exp(disp*ss);
prob <- distr / rowSums(distr);
as.data.frame(cbind(prob, sqrt(ss)))}'特徴抽出: 各列は、1つの特徴の係数値を表します。列は、特徴IDの順に並べられます。各特徴には特徴IDが割り当てられ、これは1から始まる連続した値です。
例4-13 特徴抽出用のRALG_SCORE_FUNCTIONの例
この例は、モデル設定表model_setting_tableでのモデルのスコアリングに使用されるRスクリプトMY_FEATURE_EXTRACTION_SCRIPTの名前の指定方法を示しています。
Begin
insert into model_setting_table values
(dbms_data_mining.ralg_score_function, 'MY_FEATURE_EXTRACTION_SCRIPT');
End;
/MY_FEATURE_EXTRACTION_SCRIPTは次のように登録されます。 'function(object, dat) { as.data.frame(predict(object, dat)) }'この関数は、Rモデルから特徴の中央値をフェッチし、スコア・データから対応する特徴の中央値への距離に基づいて、特徴の係数を計算します。
関連トピック
4.8.4.6 RALG_WEIGHT_FUNCTION
スコアリング内の各属性の重みまたは寄与率を計算する、既存の登録済Rスクリプトの名前を指定するには、RALG_WEIGHT_FUNCTION設定を使用します。指定したRスクリプトは、SQL関数PREDICTION_DETAILSで、属性の寄与率を評価するために使用されます。
指定したRスクリプトは、モデル・オブジェクトの最初の入力引数、およびスコアリング・データのR data.frameの2番目の入力引数を含むR関数を定義します。機械学習機能が分類、クラスタリングまたは特徴抽出の場合、ターゲット・クラス名、クラスタIDまたは特徴IDが3番目の入力引数によって渡され、その特定のクラス、クラスタまたは特徴の重みが計算されます。スクリプトにより、各属性の影響を与える重みが行内に含まれるdata.frameが戻されます。各行は、その入力スコアリングdata.frameに対応しています
例4-14 RALG_WEIGHT_FUNCTIONの例
model_setting_tableでのRモデル属性の重みまたは寄与率を計算するRスクリプトMY_PREDICT_WEIGHT_SCRIPTの名前を指定しています。Begin
insert into model_setting_table values
(dbms_data_mining.ralg_weight_function, 'MY_PREDICT_WEIGHT_SCRIPT');
End;
/MY_PREDICT_WEIGHT_SCRIPTは次のように登録されます。'function(mod, data) { coef(mod)[-1L]*data }'MY_PREDICT_WEIGHT_SCRIPTは次のように登録されます。'function(mod, dat, clas) {
v <- predict(mod, newdata=dat, type = "response");
v0 <- data.frame(v, 1-v); names(v0) <- c("0", "1");
res <- data.frame(lapply(seq_along(dat),
function(x, dat) {
if(is.numeric(dat[[x]])) dat[,x] <- as.numeric(0)
else dat[,x] <- as.factor(NA);
vv <- predict(mod, newdata = dat, type = "response");
vv = data.frame(vv, 1-vv); names(vv) <- c("0", "1");
v0[[clas]] / vv[[clas]]}, dat = dat));
names(res) <- names(dat);
res}'関連トピック
4.8.4.7 登録済Rスクリプト
RALG_*_FUNCTION設定は、Oracle Machine Learning for Rスクリプト・リポジトリ内に存在するRスクリプトを指定する必要があります。
Rスクリプトを登録するには、OML4RのSQLプロシージャsys.rqScriptCreateを使用します。スクリプトを登録するには、RQADMINロールが必要です。
RALG_*_FUNCTION設定には、次の機能があります。
-
RALG_BUILD_FUNCTION
-
RALG_DETAILS_FUNCTION
-
RALG_SCORE_FUNCTION
-
RALG_WEIGHT_FUNCTION
ノート:
Rモデルが機能するためには、RスクリプトがOML4Rスクリプト・リポジトリに存在する必要があります。Rモデルを作成したら、指定したRスクリプトの名前がモデルの設定になります。Rモデルが機能し続けるためには、これらのRスクリプトがOML4Rスクリプト・リポジトリに存在する必要があります。
Rモデルを作成、スコアリングおよび表示するために使用されるRメモリーも、OML4Rで管理できます。