ClickHouse/docs/fr/guides/apply_catboost_model.md

240 lines
7.5 KiB
Markdown
Raw Normal View History

2020-03-30 12:48:55 +00:00
---
machine_translated: true
2020-04-04 09:15:31 +00:00
machine_translated_rev: f865c9653f9df092694258e0ccdd733c339112f5
toc_priority: 41
toc_title: "Application Des Mod\xE8les CatBoost"
2020-03-30 12:48:55 +00:00
---
# Application D'un modèle Catboost dans ClickHouse {#applying-catboost-model-in-clickhouse}
[CatBoost](https://catboost.ai) est une bibliothèque de dynamisation de gradient libre et open-source développée à [Yandex](https://yandex.com/company/) pour l'apprentissage automatique.
Avec cette instruction, vous apprendrez à appliquer des modèles pré-formés dans ClickHouse en exécutant l'inférence de modèle à partir de SQL.
Pour appliquer un modèle CatBoost dans ClickHouse:
1. [Créer une Table](#create-table).
2. [Insérez les données dans la Table](#insert-data-to-table).
3. [Intégrer CatBoost dans ClickHouse](#integrate-catboost-into-clickhouse) (Étape facultative).
4. [Exécutez L'inférence du modèle à partir de SQL](#run-model-inference).
Pour plus d'informations sur la formation des modèles CatBoost, voir [Formation et application de modèles](https://catboost.ai/docs/features/training.html#training).
## Préalable {#prerequisites}
Si vous n'avez pas le [Docker](https://docs.docker.com/install/) pourtant, l'installer.
!!! note "Note"
[Docker](https://www.docker.com) est une plate-forme logicielle qui vous permet de créer des conteneurs qui isolent une installation CatBoost et ClickHouse du reste du système.
Avant d'appliquer un modèle CatBoost:
**1.** Tirez la [Docker image](https://hub.docker.com/r/yandex/tutorial-catboost-clickhouse) à partir du registre:
``` bash
$ docker pull yandex/tutorial-catboost-clickhouse
```
Cette image Docker contient tout ce dont vous avez besoin pour exécuter CatBoost et ClickHouse: code, runtime, bibliothèques, variables d'environnement et fichiers de configuration.
**2.** Assurez-vous que l'image Docker a été tirée avec succès:
``` bash
$ docker image ls
REPOSITORY TAG IMAGE ID CREATED SIZE
yandex/tutorial-catboost-clickhouse latest 622e4d17945b 22 hours ago 1.37GB
```
**3.** Démarrer un conteneur Docker basé sur cette image:
``` bash
$ docker run -it -p 8888:8888 yandex/tutorial-catboost-clickhouse
```
## 1. Créer une Table {#create-table}
Pour créer une table ClickHouse pour l'exemple de formation:
**1.** Démarrez clickhouse console client en mode interactif:
``` bash
$ clickhouse client
```
!!! note "Note"
Le serveur ClickHouse est déjà en cours d'exécution dans le conteneur Docker.
**2.** Créer la table à l'aide de la commande:
``` sql
:) CREATE TABLE amazon_train
(
date Date MATERIALIZED today(),
ACTION UInt8,
RESOURCE UInt32,
MGR_ID UInt32,
ROLE_ROLLUP_1 UInt32,
ROLE_ROLLUP_2 UInt32,
ROLE_DEPTNAME UInt32,
ROLE_TITLE UInt32,
ROLE_FAMILY_DESC UInt32,
ROLE_FAMILY UInt32,
ROLE_CODE UInt32
)
ENGINE = MergeTree ORDER BY date
```
**3.** Quitter le client de la console ClickHouse:
``` sql
:) exit
```
## 2. Insérez les données dans la Table {#insert-data-to-table}
Pour insérer les données:
**1.** Exécutez la commande suivante:
``` bash
$ clickhouse client --host 127.0.0.1 --query 'INSERT INTO amazon_train FORMAT CSVWithNames' < ~/amazon/train.csv
```
**2.** Démarrez clickhouse console client en mode interactif:
``` bash
$ clickhouse client
```
**3.** Assurez-vous que les données ont été téléchargées:
``` sql
:) SELECT count() FROM amazon_train
SELECT count()
FROM amazon_train
+-count()-+
| 65538 |
2020-04-04 09:15:31 +00:00
+-------+
2020-03-30 12:48:55 +00:00
```
## 3. Intégrer CatBoost dans ClickHouse {#integrate-catboost-into-clickhouse}
!!! note "Note"
**Étape facultative.** L'image Docker contient tout ce dont vous avez besoin pour exécuter CatBoost et ClickHouse.
Pour intégrer CatBoost dans ClickHouse:
**1.** Construire la bibliothèque d'évaluation.
Le moyen le plus rapide d'évaluer un modèle CatBoost est la compilation `libcatboostmodel.<so|dll|dylib>` bibliothèque. Pour plus d'informations sur la création de la bibliothèque, voir [Documentation CatBoost](https://catboost.ai/docs/concepts/c-plus-plus-api_dynamic-c-pluplus-wrapper.html).
**2.** Créez un nouveau répertoire n'importe où et avec n'importe quel nom, par exemple, `data` et mettez la bibliothèque créée dedans. L'image Docker contient déjà la bibliothèque `data/libcatboostmodel.so`.
**3.** Créez un nouveau répertoire pour le modèle de configuration n'importe où et avec n'importe quel nom, par exemple, `models`.
**4.** Créez un fichier de configuration de modèle avec n'importe quel nom, par exemple, `models/amazon_model.xml`.
**5.** Décrire la configuration du modèle:
``` xml
<models>
<model>
<!-- Model type. Now catboost only. -->
<type>catboost</type>
<!-- Model name. -->
<name>amazon</name>
<!-- Path to trained model. -->
<path>/home/catboost/tutorial/catboost_model.bin</path>
<!-- Update interval. -->
<lifetime>0</lifetime>
</model>
</models>
```
**6.** Ajoutez le chemin D'accès à CatBoost et la configuration du modèle à la configuration de ClickHouse:
``` xml
<!-- File etc/clickhouse-server/config.d/models_config.xml. -->
<catboost_dynamic_library_path>/home/catboost/data/libcatboostmodel.so</catboost_dynamic_library_path>
<models_config>/home/catboost/models/*_model.xml</models_config>
```
## 4. Exécutez L'inférence du modèle à partir de SQL {#run-model-inference}
Pour le modèle de test exécutez le client ClickHouse `$ clickhouse client`.
Assurons nous que le modèle fonctionne:
``` sql
:) SELECT
modelEvaluate('amazon',
RESOURCE,
MGR_ID,
ROLE_ROLLUP_1,
ROLE_ROLLUP_2,
ROLE_DEPTNAME,
ROLE_TITLE,
ROLE_FAMILY_DESC,
ROLE_FAMILY,
ROLE_CODE) > 0 AS prediction,
ACTION AS target
FROM amazon_train
LIMIT 10
```
!!! note "Note"
2020-04-04 09:15:31 +00:00
Fonction [modelEvaluate](../sql_reference/functions/other_functions.md#function-modelevaluate) retourne tuple avec des prédictions brutes par classe pour les modèles multiclasse.
2020-03-30 12:48:55 +00:00
Prédisons la probabilité:
``` sql
:) SELECT
modelEvaluate('amazon',
RESOURCE,
MGR_ID,
ROLE_ROLLUP_1,
ROLE_ROLLUP_2,
ROLE_DEPTNAME,
ROLE_TITLE,
ROLE_FAMILY_DESC,
ROLE_FAMILY,
ROLE_CODE) AS prediction,
1. / (1 + exp(-prediction)) AS probability,
ACTION AS target
FROM amazon_train
LIMIT 10
```
!!! note "Note"
2020-04-04 09:15:31 +00:00
Plus d'infos sur [exp()](../sql_reference/functions/math_functions.md) fonction.
2020-03-30 12:48:55 +00:00
Calculons LogLoss sur l'échantillon:
``` sql
:) SELECT -avg(tg * log(prob) + (1 - tg) * log(1 - prob)) AS logloss
FROM
(
SELECT
modelEvaluate('amazon',
RESOURCE,
MGR_ID,
ROLE_ROLLUP_1,
ROLE_ROLLUP_2,
ROLE_DEPTNAME,
ROLE_TITLE,
ROLE_FAMILY_DESC,
ROLE_FAMILY,
ROLE_CODE) AS prediction,
1. / (1. + exp(-prediction)) AS prob,
ACTION AS tg
FROM amazon_train
)
```
!!! note "Note"
2020-04-04 09:15:31 +00:00
Plus d'infos sur [avg()](../sql_reference/aggregate_functions/reference.md#agg_function-avg) et [journal()](../sql_reference/functions/math_functions.md) fonction.
2020-03-30 12:48:55 +00:00
[Article Original](https://clickhouse.tech/docs/en/guides/apply_catboost_model/) <!--hide-->