自 SQL Server 2016推出 R服務之後，Revolution團隊在SQL 2017版本中，除了將原先的服務改名為 Machine Learning Services(為了納入對 Python語言的支援)，更強化了對 R語言的支援與 Pre Training model的數量。本篇將簡單地介紹 R語言的語法，以及會用GLM 一般線性模型(可歸類為廻歸分析)來示範，讓熟悉 T-SQL的 DBA也能用 SQL Server做機器學習
接續上一篇 SQL2017 R入門，我們將會在 SSMS中實作，以前需要在 R Studio才能做的事情。詳細的操作步驟可以參考官網的說明。若想了解如何用 PowerShell 來做 R語言的機器學習，請參考另外一篇介紹預防性維修的案例。
為什麼我的要選 GLM 這個統計類別模型開始？因為 R語言在統計領域已經發展多年，所以選擇這個在學界已有豐富範例與相關文件的模型，最適合不過了。
講到統計學，學界中有一個很有趣的迴歸分析應用，就是鐵達尼號的票價與生存率分析，預告一下，下次我來介紹一下 Azure Machine Learning Gallery 這個有趣的題目，再配合 Excel 來呼叫雲端上的 ML模型，只需填入你的資料，就可以讓你與歷史重大事件來互動
首先要認識原生的 R，在不考慮第三方工具的條件下 Rgui.exe是它相當於 SSMS的基本配備，它的路徑在 C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\bin\x64
若是你偏好 Command Line(CLI)在上一層目錄還有一個 Rscript.exe(並非一定要用64位元，32位元也可以)
先跳脫框架，用指令來畫張圖，畢竟 R語言是吃統計的奶水長大的
z <- seq(-3,3,.1)
d <- dnorm(z)
plot(z,d,type="l")
title("The Standard Normal Density",col.main="cornflowerblue")
上述指令中的第一行，是先準備一些-3,-2.9,-2.8以0.1的間距，一直到3.0的61個數據。
第二行是透過 dnorm 密度常態分配的函式，把數據打散
第三行是把X,Y軸的座標，以及圖型的類型l(line)指定後，讓plot繪圖函式把圖畫出來。
第四行則是給它一個標題
其中，類型除了l(line線)還支援p(point點)、b(both點線)、c(b類型中的線)、o(overplotted重疊點)、s(stair step階梯)、h(histogram直方圖表示密度的垂直線)、n(no不畫圖)，以下我們示範把type改成h(直方圖)再畫一次
接下來，示範一個全彩畫圖，pie(rep(1,16),col=rainbow(16))，透過 repeat從1到16 給定至Pie，再指定彩虹顏色，是不是很漂亮？
另外，它還有一些向量 Concatenate、數學(加、減、乘、除、對數、開根號…)，因為這篇是以 T-SQL為主，就先略過不介紹…
言歸正傳，讓我們再回到 GLM 一般線性模型，若你有時間，可以透過 help(glm)指令，叫出官方文件來參考
在官方文件有提到GLM的參數有19個(包含Optional)，但其實必要的參數只有 formula, family, data 就可以運作了。
formula是公式，family是透過你要解決的問題決定資料的分佈(例如要解決二選一的問題，就選二項式分配)，data你可以使用自帶資料或是應用 R語言的範例資料集
** family有六種，包含了二項式分配、高斯分配、反高斯分配、gamma分配…許多選擇。細節可以利用 help(family)指令來做進一步的研究；R語言內建的範例資料集有大有小約有50個左右，你可以透過 library(help="datasets")來取得相關的資訊
首先我們要建立 Schema，才能把範例資料集匯入SQL Server中，所以我們把這個汽車相關的 MTCars Table建立起來，裡面的欄位包含了mpg(英里/加侖)、cyl(氣缸數)、disp(排氣量)、hp(馬力)、drat(後輪軸比)、wt(重量)、qsec(加速性能)、vs(發動機類型)、am(手自排)、gear(前進檔位數)、carb(化油器數)…等
接著，匯入範例資料集到剛建好的 Table中
我們將MTCars的資料，加上關係式：am ~ hp + wt，以及二項式分配，填入GLM 這個一般線性模型的建立函式中。其中的應變數是汽車的變速器 (am) ，將會相依於馬力 (hp) 和重量 (wt)二個自變數。
接下來，儲存模型，以便您可以重新定型或預測中使用它。 R 套件如果會建立模型，其輸出通常會是「二進位物件」。 因此，將模型儲存的資料表必須提供的資料行varbinary （max) 型別。
基礎於剛才建好的 GLM模型 Schema，我們就可以執行這個模型的訓練，並且將其結果儲存在 Table中
若你想再次訓練這個模型，系統將會報錯，所以你應該要學會，如何修改模型的名稱，以下提供一個用當前時間來避免重覆的範例語法
有了訓練資料集，接下來我們還需要測試資料集，因此我們來建立 NewMTCars Table
由於在 dob.GLM_models 資料表中，可能會包含數個用不同條件(參數、演算法、資料集)訓練而成的模型。所以當我們要進行預測時，一定要指名要用哪個模型？要使用哪個測試資料集？要使用哪個相容於這個模型的預測函數？所以 default model 是我們要採用的模型名稱，NewMTCars 是我們要使用的測試資料集， predict(model, dataset, response類別) 是我們所採用的預測函數
我們分解動作整個預測運行的細節，先透過 select ... where model_name 陳述式，從 GLM_models 資料表取得所需的模型，並傳遞它做為輸入參數。
當我們從資料表擷取模型之後，對這個模型呼叫 unserialize 函數。
再搭配適當參數在 predict 函數，並提供新的輸入資料集，套用至這個模型。
str函式會加入在測試階段中(Debug用途)，若要你對於資料結構描述已經能掌握，將來就可以移除 str的陳述式。
在 R語言中，顯示結果的欄位 Header並非必要，在這裡使用了 WITH RESULTS 子句來強化結果的可讀性
最後 R 透過馬力與重量的數值，幫我們預測出這款車會是手排還自排？
結論：透過 SQL Server與 R的整合，我們可以實現 in-database analysis的目標，以較經濟的持有成本、提便更大的調度資源、高效地 ML運算(支援多執行緒)、在一台伺服器可以搞定…等優勢
李秉錡 Christian Lee
Once worked at Microsoft Taiwan