史丹利好熱

測試環境訓練好模型，正式上場預測前，我們會需要再建立一段R的評分程式碼，並且以字串的方式包在外部預存程序介面內(sp_execute_external_script)，透過讀取序列化後的模型在R的環境執行預測。

但這樣的方式還是多了點麻煩，第一個是程式的可讀性，第二個則是正式環境的資料庫必需依賴R的環境作運算，要解決這個問題，也許可以試試看SQL2016就推出的Realtime評分(sp_rxPredict)或是SQL 2017推出的原生(Native)評分方式，更即時更原生的方式執行。

在執行異常偵測(abnormal detection)時，通常我們擁有大量的正常交易資料，但可能沒有足夠的不正常交易來讓機器學習，這個時候可以考慮單類別的SVM演算法(one Class-SVM)。很理想的，one Class-SVM隨著MicrosoftML套件也正式在R Server 9.0後可以在地面環境使用了(SQL Server 2017 CTP2)，我們來試試。

R支援向量運算，可以大量減少程式內的迴圈使用，在計算統計分析中需要把資料結構拉成水平的去觀察，

筆記Lession 2: 向量運算。

R語言經常用在資料分析、統計及繪圖上，商業分析時除了學會問問題，還有一個很麻煩的地方是資料向量化(整齊)，

去年4月微軟併購了企業級R語言的公司Revolution Analytics，今年地面上的SQL Server 2016也將開始支援R語言，

不久的將來，我們就可以正式把關聯式資料庫內已經整齊的資料丟進去跑演算法，更快的把結果顯示在客戶的電腦前面。

今天先來複習一下R 語言 Lession 1。