Exportieren nach Azure SQL-Datenbank
Wichtig
Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
In diesem Artikel wird beschrieben, wie Sie die Option Nach Azure SQL-Datenbank exportieren im Modul Daten exportieren in Machine Learning Studio (klassisch) verwenden. Diese Option ist nützlich, wenn Sie Daten aus Ihrem Machine Learning-Experiment in eine Azure SQL-Datenbank oder Azure SQL Data Warehouse exportieren möchten.
Hinweis
Gilt nur für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
Der Export in eine SQL-Datenbank ist in vielen Machine Learning-Szenarien nützlich: Beispielsweise können Sie Zwischenergebnisse speichern, Bewertungen speichern oder Tabellen mit entwickelten Features beibehalten. Obwohl das Speichern von Daten in einem Azure SQL-Datenbank oder Azure SQL Data Warehouse teurer sein kann als die Verwendung von Tabellen oder Blobs in Azure, fallen für SQL Datenbanken keine Transaktionsgebühren an. Darüber hinaus eignet sich datenbankspeicher ideal zum schnellen Schreiben kleinerer Mengen häufig verwendeter Informationen, zum Freigeben von Daten zwischen Experimenten oder zum Melden von Ergebnissen, Vorhersagen und Metriken.
Auf der anderen Seite gibt es je nach Abonnementtyp möglicherweise Grenzwerte für die Datenmenge, die Sie in einer Datenbank speichern können. Sie sollten auch eine Datenbank und ein Konto verwenden, die sich in derselben Region wie Ihr Machine Learning-Arbeitsbereich befinden.
Zum Exportieren von Daten geben Sie den Instanznamen und den Datenbanknamen an, in dem die Daten gespeichert sind, und führen das Modul mit einem Konto aus, das über Schreibberechtigungen verfügt. Sie müssen auch den Tabellennamen angeben und die Spalten aus Dem Experiment spalten in der Tabelle zuordnen.
Exportieren von Daten in eine Azure SQL-Datenbank
Fügen Sie ihrem Experiment in Studio (klassisch) das Modul Export Data hinzu. Sie finden dieses Modul in der Kategorie Dateneingabe und -ausgabe .
Verbinden Exportieren von Daten in das Modul, das die zu exportierenden Daten erzeugt.
Wählen Sie unter Datenzieldie Option Azure SQL-Datenbank aus. Diese Option unterstützt auch Azure SQL Data Warehouse.
Geben Sie den Namen des Servers und der Datenbank in Azure SQL-Datenbank oder Azure SQL Data Warehouse an.
Datenbankservername: Geben Sie den Von Azure generierten Servernamen ein. Dieser hat in der Regel das Format
<generated_identifier>.database.windows.net.Datenbankname: Geben Sie den Namen einer vorhandenen Datenbank auf dem soeben angegebenen Server ein. Das Modul Export Data kann keine Datenbank erstellen.
Serverbenutzerkontoname: Geben Sie den Benutzernamen für ein Konto ein, das über Zugriffsberechtigungen für die Datenbank verfügt.
Kennwort für Serverbenutzerkonto: Geben Sie das Kennwort für das angegebene Benutzerkonto an.
Geben Sie die zu exportierenden Spalten an, und wenn Sie die Spalten umbenennen möchten.
Durch Trennzeichen getrennte Liste der zu speichernden Spalten: Geben Sie die Namen der Spalten aus dem Experiment ein, die Sie in die Datenbank schreiben möchten.
Datentabellenname: Geben Sie den Namen der Tabelle ein, in der die Daten gespeichert werden sollen.
Wenn die Tabelle nicht vorhanden ist, wird für Azure SQL-Datenbank eine neue Tabelle erstellt.
Für Azure SQL Data Warehouse muss die Tabelle bereits vorhanden sein und über das richtige Schema verfügen. Stellen Sie daher sicher, dass Sie sie im Voraus erstellen.
Durch Trennzeichen getrennte Liste der datenfähigen Spalten: Geben Sie die Namen der Spalten so ein, wie sie in der Zieltabelle angezeigt werden sollen.
Für Azure SQL-Datenbank können Sie die Spaltennamen ändern, aber Sie müssen die Spalten in der reihenfolge beibehalten, in der Sie die Spalten für den Export in der durch Trennzeichen getrennten Liste der zu speichernden Spalten aufgelistet haben.
Für Azure SQL Data Warehouse müssen die Spaltennamen mit denen übereinstimmen, die bereits im Zieltabellenschema vorhanden sind.
Anzahl der pro SQL Azure Vorgang geschriebenen Zeilen: Diese Option gibt an, wie viele Zeilen in jedem Batch in die Zieltabelle geschrieben werden sollen.
Standardmäßig ist der Wert auf 50 festgelegt. Dies ist die Standardbatchgröße für Azure SQL-Datenbank. Sie sollten diesen Wert jedoch erhöhen, wenn Sie eine große Anzahl von Zeilen schreiben müssen.
Für Azure SQL Data Warehouse wird empfohlen, diesen Wert auf 1 festzulegen. Wenn Sie eine größere Batchgröße verwenden, kann die Größe der Befehlszeichenfolge, die an Azure SQL Data Warehouse gesendet wird, die zulässige Zeichenfolgenlänge überschreiten, was einen Fehler verursacht.
Zwischengespeicherte Ergebnisse verwenden: Wählen Sie diese Option aus, um zu vermeiden, dass jedes Mal neue Ergebnisse geschrieben werden, wenn das Experiment ausgeführt wird. Wenn keine weiteren Änderungen an Modulparametern vorgenommen werden, schreibt das Experiment die Daten nur bei der ersten Ausführung des Moduls. Ein neuer Schreibvorgang wird jedoch immer ausgeführt, wenn Parameter in Daten exportieren geändert wurden, die die Ergebnisse ändern würden.
Führen Sie das Experiment aus.
Beispiele
Beispiele für die Verwendung des Moduls Export Data finden Sie im Azure KI-Katalog:
Retail Forecasting Schritt 1 von 6: Datenvorverarbeitung: Die Vorlage für die Einzelhandelsprognose veranschaulicht eine Machine Learning-Aufgabe, die auf in Azure SQLDB gespeicherten Daten basiert. Es werden nützliche Techniken veranschaulicht, z. B. die Verwendung Azure SQL Datenbank zum Übergeben von Datasets zwischen Experimenten in verschiedenen Konten, das Speichern und Kombinieren von Vorhersagen und das Erstellen einer Azure SQL Datenbank nur für maschinelles Lernen.
Erstellen und Bereitstellen eines Machine Learning-Modells mithilfe von SQL Server auf einem virtuellen Azure-Computer: In diesem Artikel wird die Verwendung einer SQL Server Datenbank erläutert, die auf einem virtuellen Azure-Computer als Quelle zum Speichern von Trainingsdaten und Vorhersagen gehostet wird. Außerdem wird veranschaulicht, wie relationale Datenbanken für die Featureentwicklung und Funktionsauswahl verwendet werden können.
Verwenden von Azure ML mit Azure SQL Data Warehouse: Veranschaulicht die Verwendung von Daten aus Azure SQL Data Warehouse zum Erstellen eines Clustermodells.
Verwenden von Machine Learning mit SQL Data Warehouse: Veranschaulicht die Erstellung eines Regressionsmodells zum Vorhersagen von Preisen mithilfe von Daten in Azure SQL Data Warehouse.
Technische Hinweise
Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.
Häufig gestellte Fragen
Verwenden einer Datenbank in einer anderen geografischen Region
Wenn sich die Azure SQL-Datenbank oder SQL Data Warehouse in einer anderen Region als das Machine Learning-Konto befindet, sind Schreibvorgänge möglicherweise langsamer.
Außerdem werden Ihnen dateneingangs- und ausgehende Daten für das Abonnement in Rechnung gestellt, wenn sich der Computeknoten in einer anderen Region als das Speicherkonto befindet.
Warum werden einige Zeichen in den Ausgabedaten nicht richtig angezeigt?
Machine Learning unterstützt die UTF-8-Codierung. Wenn Zeichenfolgenspalten in Ihrer Datenbank eine andere Codierung verwenden, werden die Zeichen möglicherweise nicht ordnungsgemäß gespeichert.
Darüber hinaus können Machine Learning keine Datentypen wie moneyausgeben.
Modulparameter
| Name | Range | type | Standard | Beschreibung |
|---|---|---|---|---|
| Datenquellen- | Liste | Datenquelle oder Senke | Azure Blob Storage | Die Datenquelle kann HTTP, FTP, anonymes HTTPS oder FTPS, eine Datei in Azure BLOB Storage, eine Azure-Tabelle, eine Azure SQL-Datenbank oder Azure SQL Data Warehouse, eine Hive-Tabelle oder ein OData-Endpunkt sein. |
| Database server name | any | String | Keine | |
| Datenbankname | any | String | Keine | |
| Server user account name | any | Zeichenfolge | Keine | |
| Server user account password | Keine | |||
| Durch Trennzeichen getrennte Liste der zu speichernden Spalten | Keine | |||
| Datentabellenname | any | Zeichenfolge | Keine | |
| Comma separated list of datatable columns | Zeichenfolge | Zeichenfolge | Keine | Zeichenfolge |
| Number of rows written per SQL Azure operation | String | Integer | 50 | Zeichenfolge |
| Verwenden von zwischengespeicherten Ergebnissen | TRUE/FALSE | Boolean | FALSE | Das Modul wird nur ausgeführt, wenn kein gültiger Cache vorhanden ist. verwenden Sie andernfalls zwischengespeicherte Daten aus der vorherigen Ausführung. |
Ausnahmen
| Ausnahme | Beschreibung |
|---|---|
| Fehler 0027 | Eine Ausnahme tritt auf, wenn zwei Objekte gleich groß sein müssen, dies aber nicht der Fall ist. |
| Fehler 0003 | Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist. |
| Fehler 0029 | Eine Ausnahme tritt auf, wenn ein ungültiger URI übergeben wird. |
| Fehler 0030 | Eine Ausnahme tritt auf, wenn es nicht möglich ist, eine Datei herunterzuladen. |
| Fehler 0002 | Eine Ausnahme tritt auf, wenn mindestens ein Parameter nicht analysiert oder nicht aus einem angegebenen Typ in den für die Zielmethode erforderlichen Typ konvertiert werden konnte. |
| Fehler 0009 | Eine Ausnahme tritt auf, wenn der Azure-Speicherkontoname oder der Containername falsch angegeben ist. |
| Fehler 0048 | Eine Ausnahme tritt auf, wenn es nicht möglich, eine Datei zu öffnen. |
| Fehler 0015 | Eine Ausnahme tritt auf, wenn ein Fehler beim Herstellen einer Datenbankverbindung aufgetreten ist. |
| Fehler 0046 | Eine Ausnahme tritt auf, wenn es nicht möglich ist, ein Verzeichnis im angegebenen Pfad zu erstellen. |
| Fehler 0049 | Eine Ausnahme tritt auf, wenn es nicht möglich, eine Datei zu analysieren. |
Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.
Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.
Siehe auch
Daten importieren
Daten exportieren
Exportieren in Azure Blob Storage
Exportieren nach Hive-Abfrage
Exportieren nach Azure Table