Condividi tramite

Esportare in database SQL di Azure

  • Articolo

Importante

Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.

A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).

La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.

Questo articolo descrive come usare l'opzione Esporta in database SQL di Azure nel modulo Esporta dati in Machine Learning Studio (versione classica). Questa opzione è utile quando si vogliono esportare dati dall'esperimento di Machine Learning in un database SQL di Azure o Azure SQL Data Warehouse.

Nota

Si applica a: Machine Learning Studio (versione classica)

Nella finestra di progettazione sono disponibili moduli simili Azure Machine Learning trascinamento della selezione.

L'esportazione in un database SQL è utile in molti scenari di Machine Learning: ad esempio, è possibile archiviare risultati intermedi, salvare punteggi o rendere persistenti le tabelle delle funzionalità progettate. Anche se l'archiviazione dei dati in database SQL di Azure o Azure SQL Data Warehouse può essere più costosa rispetto all'uso di tabelle o BLOB in Azure, non sono presenti costi di transazione per SQL database. Inoltre, l'archiviazione del database è ideale per la scrittura rapida di quantità ridotte di informazioni usate di frequente, per la condivisione di dati tra esperimenti o per la creazione di report su risultati, stime e metriche.

D'altra parte, potrebbero esserci limiti alla quantità di dati che è possibile archiviare in un database, a seconda del tipo di sottoscrizione. È anche consigliabile usare un database e un account che si trova nella stessa area dell'area di lavoro di Machine Learning.

Per esportare i dati, specificare il nome dell'istanza e il nome del database in cui sono archiviati i dati ed eseguire il modulo usando un account con autorizzazioni di scrittura. È inoltre necessario specificare il nome della tabella ed eseguire il mapping delle colonne dell'esperimento alle colonne della tabella.

Come esportare i dati in un database SQL di Azure

  1. Aggiungere il modulo Export Data (Esporta dati) all'esperimento in Studio (versione classica). È possibile trovare questo modulo nella categoria Input e output dei dati.

  2. Connessione esportare i dati nel modulo che produce i dati da esportare.

  3. Per Destinazione dati selezionare database SQL di Azure. Questa opzione supporta Azure SQL Data Warehouse.

  4. Indicare il nome del server e del database in database SQL di Azure o Azure SQL Data Warehouse.

    Nome server di database: digitare il nome del server generato da Azure. In genere è nel seguente formato: <generated_identifier>.database.windows.net.

    Nome database: digitare il nome di un database esistente nel server appena specificato. Il modulo Export Data (Esporta dati) non può creare un database.

    Nome account utente server: digitare il nome utente per un account con autorizzazioni di accesso per il database.

    Password dell'account utente del server: specificare la password per l'account utente specificato.

  5. Specificare le colonne da esportare e se si desidera rinominare le colonne.

    Elenco delimitato da virgole delle colonne da salvare: digitare i nomi delle colonne dell'esperimento da scrivere nel database.

    Nome tabella dati: digitare il nome della tabella in cui archiviare i dati.

    Ad database SQL di Azure, se la tabella non esiste, viene creata una nuova tabella.

    Per Azure SQL Data Warehouse, la tabella deve esistere già e avere lo schema corretto, quindi assicurarsi di crearla in anticipo.

    Elenco delimitato da virgole di colonne datatable: digitare i nomi delle colonne che si desidera visualizzare nella tabella di destinazione.

    Ad database SQL di Azure, è possibile modificare i nomi delle colonne, ma è necessario mantenere le colonne nello stesso ordine in cui sono state elencate le colonne per l'esportazione, nell'elenco delimitato da virgole delle colonne da salvare.

    Per Azure SQL Data Warehouse, i nomi delle colonne devono corrispondere a quelli già presenti nello schema della tabella di destinazione.

  6. Numero di righe scritte per ogni SQL Azure: questa opzione specifica il numero di righe da scrivere nella tabella di destinazione in ogni batch.

    Per impostazione predefinita, il valore è impostato su 50, ovvero le dimensioni batch predefinite per database SQL di Azure. Tuttavia, è consigliabile aumentare questo valore se si dispone di un numero elevato di righe da scrivere.

    Per Azure SQL Data Warehouse, è consigliabile impostare questo valore su 1. Se si usano dimensioni batch maggiori, la dimensione della stringa di comando inviata a Azure SQL Data Warehouse può superare la lunghezza di stringa consentita, causando un errore.

  7. Usa risultati memorizzati nella cache: selezionare questa opzione per evitare di scrivere nuovi risultati ogni volta che viene eseguito l'esperimento. Se non sono presenti altre modifiche ai parametri del modulo, l'esperimento scrive i dati solo alla prima esecuzione del modulo. Tuttavia, viene sempre eseguita una nuova scrittura se sono stati modificati parametri in Esporta dati che modificano i risultati.

  8. Eseguire l'esperimento.

Esempio

Per esempi su come usare il modulo Export Data (Esporta dati), vedere il Azure AI Gallery:

  • Retail Forecasting Step 1 of 6 - data-preprocessing (Passaggio 1 di 6 - Pre-elaborazione dei dati): il modello di previsione delle vendite al dettaglio illustra un'attività di Machine Learning basata sui dati archiviati nel database SQL di Azure. Illustra tecniche utili, ad esempio l'uso di un database Azure SQL per passare set di dati tra esperimenti in account diversi, il salvataggio e la combinazione delle previsioni e come creare un database Azure SQL solo per Machine Learning.

  • Creare e distribuire un modello di Machine Learning usando SQL Server in una macchina virtuale di Azure: questo articolo illustra come usare un database di SQL Server ospitato in una macchina virtuale di Azure come origine per l'archiviazione di dati di training e stime. Viene inoltre illustrato come usare il database relazionale per la progettazione e la selezione delle caratteristiche.

  • Come usare Azure ML con Azure SQL Data Warehouse: illustra l'uso dei dati Azure SQL Data Warehouse per creare un modello di clustering.

  • Usare Machine Learning con SQL Data Warehouse: illustra come creare un modello di regressione per stimare i prezzi usando i dati in Azure SQL Data Warehouse.

Note tecniche

Questa sezione contiene informazioni dettagliate sull'implementazione, suggerimenti e risposte alle domande frequenti.

Domande frequenti

Uso di un database in un'area geografica diversa

Se il database SQL di Azure o SQL Data Warehouse si trova in un'area diversa dall'account di Machine Learning, le scritture potrebbero essere più lente.

Vengono inoltre addebitati i costi per i dati in ingresso e in uscita nella sottoscrizione se il nodo di calcolo si trova in un'area diversa rispetto all'account di archiviazione.

Perché alcuni caratteri nei dati di output non vengono visualizzati correttamente

Machine Learning supporta la codifica UTF-8. Se le colonne di tipo stringa nel database usano una codifica diversa, i caratteri potrebbero non essere salvati correttamente.

Non è inoltre Machine Learning tipi di dati di output, ad esempio money.

Parametri del modulo

Nome Intervallo Type Predefinito Descrizione
Origine dati Elenco Origine dati o sink Archiviazione BLOB di Azure L'origine dati può essere HTTP, FTP, HTTPS anonimo o FTPS, un file nell'archivio BLOB di Azure, una tabella di Azure, un database SQL di Azure o un Azure SQL Data Warehouse, una tabella Hive o un endpoint OData.
Database server name any string Nessuno
Nome database any string Nessuno
Server user account name any string Nessuno
Server user account password Nessuno
Comma separated list of columns to be saved Nessuno
Data table name any string Nessuno
Comma separated list of datatable columns string string Nessuno string
Number of rows written per SQL Azure operation string Integer 50 string
Usare i risultati memorizzati nella cache VERO/FALSO Boolean FALSE Il modulo viene eseguito solo se la cache valida non esiste; in caso contrario, usare i dati memorizzati nella cache dell'esecuzione precedente.

Eccezioni

Eccezione Descrizione
Errore 0027 Viene generata un'eccezione quando due oggetti che dovrebbero essere delle stesse dimensioni sono differenti.
Errore 0003 Si verifica un'eccezione se uno o più input sono Null o vuoti.
Errore 0029 Viene generata un'eccezione quando viene passato un URI non valido.
Errore 0030 Viene generata un'eccezione se non è possibile scaricare un file.
Errore 0002 Viene generata un'eccezione se non è stato possibile analizzare o convertire uno o più parametri dal tipo specificato nel tipo richiesto dal metodo di destinazione.
Errore 0009 Viene generata un'eccezione se il nome dell'account di Archiviazione di Azure o il nome del contenitore non è stato specificato correttamente.
Errore 0048 Viene generata un'eccezione quando non è possibile aprire un file.
Errore 0015 Viene generata un'eccezione se la connessione al database non è riuscita.
Errore 0046 Viene generata un'eccezione quando non è possibile creare una directory nel percorso specificato.
Errore 0049 Viene generata un'eccezione quando non è possibile analizzare un file.

Per un elenco degli errori specifici dei moduli di Studio (versione classica), vedere Machine Learning codici di errore.

Per un elenco delle eccezioni API, vedere Machine Learning di errore dell'API REST.

Vedi anche

Importazione dei dati
Esportazione dei dati
Esportare i dati in Archiviazione BLOB di Azure
Esportare in una query Hive
Esportare in una tabella di Azure