Funções de machine learning

Documentação sobre funções de machine learning

​

evalMLMethod

A previsão com modelos de regressão ajustados usa a função evalMLMethod. Veja o link em linearRegression.

​

stochasticLinearRegression

A função de agregação stochasticLinearRegression implementa o método de descida estocástica do gradiente usando um modelo linear e a função de perda MSE. Usa evalMLMethod para fazer previsões em novos dados.

​

stochasticLogisticRegression

A função de agregação stochasticLogisticRegression implementa o método de descida de gradiente estocástico para o problema de classificação binária. Usa evalMLMethod para fazer previsões com novos dados.

​

naiveBayesClassifier

Classifica o texto de entrada usando um modelo Naive Bayes com n-gramas e Laplace smoothing. O modelo deve ser configurado no ClickHouse antes de ser usado.

Sintaxe

naiveBayesClassifier(model_name, input_text);

Argumentos

• model_name — Nome do modelo pré-configurado. String O modelo deve estar definido nos arquivos de configuração do ClickHouse (veja abaixo).
• input_text — Texto a ser classificado. String A entrada é processada exatamente como foi fornecida (com maiúsculas/minúsculas e pontuação preservadas).

Valor retornado

• ID da classe prevista como um inteiro sem sinal. UInt32 Os IDs de classe correspondem às categorias definidas durante a criação do modelo.

Exemplo

Classifique um texto com um modelo de detecção de idioma:

SELECT naiveBayesClassifier('language', 'How are you?');

┌─naiveBayesClassifier('language', 'How are you?')─┐
│ 0                                                │
└──────────────────────────────────────────────────┘

O resultado 0 pode representar inglês, enquanto 1 pode indicar francês — o significado das classes depende dos seus dados de treinamento.

---

​

Detalhes de implementação

Algoritmo Utiliza o algoritmo de classificação Naive Bayes com suavização de Laplace para lidar com n-gramas não observados, com base nas probabilidades de n-gramas descritas neste documento.

Principais recursos

• Suporta n-gramas de qualquer tamanho
• Três modos de tokenização:
  • byte: Opera sobre bytes brutos. Cada byte é um token.
  • codepoint: Opera sobre valores escalares Unicode decodificados de UTF‑8. Cada ponto de código é um token.
  • token: Separa por sequências de espaços em branco Unicode (regex \s+). Os tokens são substrings sem espaços em branco; a pontuação faz parte do token se estiver adjacente (por exemplo, “you?” é um único token).

---

​

Configuração do modelo

Você pode encontrar aqui um exemplo de código-fonte para criar um modelo Naive Bayes para detecção de idioma.

Além disso, aqui estão disponíveis modelos de exemplo e seus respectivos arquivos de configuração.

Veja abaixo um exemplo de configuração para um modelo Naive Bayes no ClickHouse:

<clickhouse>
    <nb_models>
        <model>
            <name>sentiment</name>
            <path>/etc/clickhouse-server/config.d/sentiment.bin</path>
            <n>2</n>
            <mode>token</mode>
            <alpha>1.0</alpha>
            <priors>
                <prior>
                    <class>0</class>
                    <value>0.6</value>
                </prior>
                <prior>
                    <class>1</class>
                    <value>0.4</value>
                </prior>
            </priors>
        </model>
    </nb_models>
</clickhouse>

Parâmetros de Configuração

Parâmetro	Descrição	Exemplo	Padrão
name	Identificador exclusivo do modelo	language_detection	Obrigatório
path	Caminho completo para o binário do modelo	/etc/clickhouse-server/config.d/language_detection.bin	Obrigatório
mode	Método de tokenização: - byte: Sequências de bytes - codepoint: Caracteres Unicode - token: Tokens de palavras	token	Obrigatório
n	Tamanho do n-grama (modo token): - 1=palavra única - 2=pares de palavras - 3=trios de palavras	2	Obrigatório
alpha	Fator de suavização de Laplace usado durante a classificação para lidar com n-gramas que não aparecem no modelo	0.5	1.0
priors	Probabilidades das classes (% de documentos pertencentes a uma classe)	60% classe 0, 40% classe 1	Distribuição igual

Guia de Treinamento do Modelo

Formato do Arquivo Em formato legível por humanos, para n=1 e o modo token, o modelo pode se parecer com isto:

<class_id> <n-gram> <count>
0 excellent 15
1 refund 28

Para n=3 e o modo codepoint, pode ser assim:

<class_id> <n-gram> <count>
0 exc 15
1 ref 28

O formato legível para humanos não é usado diretamente pelo ClickHouse; ele deve ser convertido para o formato binário descrito abaixo.

Detalhes do formato binário Cada n-gram é armazenado da seguinte forma:

1. class_id de 4 bytes (UInt, little-endian)
2. comprimento, em bytes, do n-gram de 4 bytes (UInt, little-endian)
3. bytes brutos do n-gram
4. count de 4 bytes (UInt, little-endian)

Requisitos de pré-processamento Antes de o modelo ser criado a partir do corpus de documentos, os documentos precisam ser pré-processados para extrair n-grams de acordo com os valores especificados de mode e n. As etapas a seguir descrevem esse pré-processamento:

1. Adicione marcadores de delimitação no início e no fim de cada documento com base no modo de tokenização:

   • Byte: 0x01 (início), 0xFF (fim)
   • Codepoint: U+10FFFE (início), U+10FFFF (fim)
   • Token: <s> (início), </s> (fim)

   Observação: (n - 1) tokens são adicionados tanto no início quanto no fim do documento.

2. Exemplo para n=3 no modo token:

   • Documento: "ClickHouse is fast"
   • Processado como: <s> <s> ClickHouse is fast </s> </s>
   • Trigramas gerados:
     • <s> <s> ClickHouse
     • <s> ClickHouse is
     • ClickHouse is fast
     • is fast </s>
     • fast </s> </s>

Para simplificar a criação de modelos para os modos byte e codepoint, pode ser conveniente primeiro tokenizar o documento em tokens (uma lista de bytes para o modo byte e uma lista de codepoints para o modo codepoint). Em seguida, acrescente n - 1 tokens de início no início e n - 1 tokens de fim no final do documento. Por fim, gere os n-gramas e grave-os no arquivo serializado.

---