機械翻訳について

後処理ステップの実行

モデルをトレーニングしたら、次の後処理ステップを実行します:

1. モデルをデータストアに保存します。

   次のコードは、後処理ステップの一部としてモデルをOMLデータストアに保存します。 空間パイプラインは、オブジェクト名とPythonオブジェクトを含むディクショナリを含むsai_regressor_dsという名前のデータストアに格納されます。

   import oml
    
   oml.ds.save({'spatial_error_pipeline': spatial_error_pipeline}, 
      'sai_regressor_ds', description='some description', overwrite=True)

2. データストアからモデルをロードします。

   oml.ds.load関数を使用して、データストアの名前とトレーニング済モデルを持つPythonオブジェクトの名前を指定して、予測のためにモデルをデータストアからPythonにロードします。

   ds_objs = oml.ds.load('sai_regressor_ds', objs=['spatial_error_pipeline'], to_globals=False)
   error_model_loaded = ds_objs['spatial_error_pipeline']

3. 予測セットを指定して、トレーニング済モデルで予測を行うユーザー定義Python関数を作成および格納します。

   次のコードでは、トレーニング済モデルをデータストアからロードし、それを使用して特定の予測セットで予測を行うPythonユーザー定義関数(UDF)を作成します。 UDFは、oml.script.createを使用してOMLに登録されます。

   udf = """def error_model_pipeline_predict_(X):
       import oml   
       ds_objs = oml.ds.load('sai_regressor_ds', objs=['spatial_error_pipeline'], to_globals=False)   
       error_model_pipeline = ds_objs['spatial_error_pipeline']   
       pred = error_model_pipeline.predict(X)   
       return pred.tolist()"""   
       
   oml.script.create("errorModelPipelinePredict", udf, is_global=True, overwrite=True)

4. SQLを使用してPython UDFを実行します。

   次のコードでは、pyqEvalを使用して、単一の監視で構成されるXパラメータを渡すことで、SQLでPython UDF errorModelPipelinePredictを実行します。

   select *
       from table(pyqEval(
           par_lst => '{"X": [[30.6005898, 12.1, 342200.000, 0.8]]}',
           out_fmt => 'JSON',
           scr_name => 'errorModelPipelinePredict'
           )
       );

   MoranのI統計は肯定的で重要であり、ターゲット変数に空間依存が存在することを確認します。

   レスポンスには、所定の観察に対する推定収入中央値が表示されます。

   NAME	VALUE
   	[[67428.20461759513]]