CREATE SNOWFLAKE.ML.CLASSIFICATION¶

Cria um novo modelo de classificação ou substitui um modelo existente no esquema atual ou especificado.

Consulte também:: DROP SNOWFLAKE.ML.CLASSIFICATION

Sintaxe¶

CREATE [ OR REPLACE ] SNOWFLAKE.ML.CLASSIFICATION [ IF NOT EXISTS ] <model_name> (
    INPUT_DATA => <input_data>,
    TARGET_COLNAME => '<target_colname>',
    [CONFIG_OBJECT => <config_object>],
)
[ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
[ COMMENT = '<string_literal>' ]

Copy

Parâmetros¶

Obrigatório

input_data

Uma referência aos dados de treinamento. O uso de uma referência permite que o processo de treinamento, executado com privilégios limitados, use seus privilégios da função ativa para acessar os dados. Você pode usar uma referência a uma tabela ou exibição se seus dados já estiverem nessa forma ou pode usar uma referência de consulta para fornecer a consulta a ser executada para obter os dados.

INPUT_DATA deve conter todos os dados de treinamento a serem consumidos pelo modelo de classificação. Quaisquer colunas que não sejam nomeadas nos argumentos TARGET_COLNAME são consideradas variáveis de treinamento (recursos). A ordem das colunas nos dados de entrada não é importante.

As colunas de recursos devem ser STRING, NUMERIC ou BOOLEAN. As colunas STRING e BOOLEAN são tratadas como recursos categóricos, enquanto as colunas NUMERIC são consideradas recursos contínuos. Para tratar uma coluna numérica como categórica, converta-a em STRING.

target_colname

Nome da coluna que contém o rótulo (valor de destino) para cada linha nos dados de treinamento. A coluna de destino pode ser BOOLEAN, NUMERIC ou STRING.

Opcional

config_object

Um OBJECT cujos pares chave-valor especificam opções de treinamento adicionais.

Chave	Tipo	Padrão	Descrição
evaluate	BOOLEAN	TRUE	Se as métricas de avaliação devem ser geradas. Se TRUE, o modelo adicional será treinado para avaliação usando os parâmetros em `evaluation_config`.
on_error	STRING	“ABORT”	Cadeia de caracteres constante que especifica o método de tratamento de erros para a tarefa de treinamento do modelo. Os valores suportados são: `'ABORT'`: anule toda a operação de treinamento se alguma linha resultar em erro. `'SKIP'`: ignora linhas que resultam em erro. O erro é mostrado em vez dos resultados.
evaluation_config	OBJECT	NULL	Um objeto de configuração opcional para especificar como as métricas de avaliação fora da amostra devem ser geradas. Atualmente, existe apenas uma dessas opções. `test_fraction` (FLOAT): a fração do conjunto de dados que deve ser usada como dados de teste (avaliação). Se a configuração de avaliação não for especificada, o comportamento padrão será tentar incluir um mínimo de 500 instâncias da classe minoritária no conjunto de avaliação e limitar a fração total de teste de 20% do conjunto de dados. Esta abordagem mantém o equilíbrio na avaliação e formação de modelos, especialmente para classes minoritárias.

Chave

Tipo

Padrão

Descrição

evaluate

BOOLEAN

TRUE

Se as métricas de avaliação devem ser geradas. Se TRUE, o modelo adicional será treinado para avaliação usando os parâmetros em evaluation_config.

on_error

STRING

“ABORT”

Cadeia de caracteres constante que especifica o método de tratamento de erros para a tarefa de treinamento do modelo. Os valores suportados são:

'ABORT': anule toda a operação de treinamento se alguma linha resultar em erro.
'SKIP': ignora linhas que resultam em erro. O erro é mostrado em vez dos resultados.

evaluation_config

OBJECT

NULL

Um objeto de configuração opcional para especificar como as métricas de avaliação fora da amostra devem ser geradas. Atualmente, existe apenas uma dessas opções.

test_fraction (FLOAT): a fração do conjunto de dados que deve ser usada como dados de teste (avaliação).

Se a configuração de avaliação não for especificada, o comportamento padrão será tentar incluir um mínimo de 500 instâncias da classe minoritária no conjunto de avaliação e limitar a fração total de teste de 20% do conjunto de dados. Esta abordagem mantém o equilíbrio na avaliação e formação de modelos, especialmente para classes minoritárias.

Requisitos de controle de acesso¶

Uma função usada para executar este comando SQL deve ter os seguintes privilégios no mínimo:

Privilégio/Função	Objeto	Notas
CREATE SNOWFLAKE.ML.CLASSIFICATION	Esquema	A função usada para criar um orçamento deve receber esse privilégio no esquema no qual o orçamento é criado.
OWNERSHIP	Esquema	Uma função deve ser concedida ou herdar o privilégio OWNERSHIP no objeto para criar um objeto temporário com o mesmo nome do objeto que já existe no esquema.
`model_name` !mladmin	Instância SNOWFLAKE.ML.CLASSIFICATION	Essa função, com escopo definido para o próprio modelo, é inicialmente concedida ao proprietário, que pode concedê-la a outros para permitir que chamem todos os métodos do modelo. Consulte Funções de modelo e privilégios de uso.
`model_name` !mlconsumer	Instância SNOWFLAKE.ML.CLASSIFICATION	Essa função, com escopo definido para o próprio modelo, é inicialmente concedida ao proprietário, que pode concedê-la a outros para permitir que eles chamem os métodos de previsão do modelo (como `PREDICT`). Consulte Funções de modelo e privilégios de uso.

Observe que operar em qualquer objeto de um esquema também requer o privilégio USAGE no banco de dados e esquema principais.

Para instruções sobre como criar uma função personalizada com um conjunto específico de privilégios, consulte Criação de funções personalizadas.

Para informações gerais sobre concessões de funções e privilégios para executar ações de SQL em objetos protegíveis, consulte Visão geral do controle de acesso.

Exemplo¶

Consulte Exemplos.