CREATE SNOWFLAKE.ML.CLASSIFICATION¶

Syntaxe¶

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>' ]

Paramètres¶

Requis

input_data

Une référence aux données d’entraînement. L’utilisation d’une référence permet au processus d’entraînement, qui s’exécute avec des privilèges limités, d’utiliser les privilèges de votre rôle actif pour accéder aux données. Vous pouvez utiliser une référence à une table ou à une vue si vos données sont déjà sous cette forme, ou vous pouvez utiliser une référence de requête pour fournir la requête à exécuter pour obtenir les données.

INPUT_DATA doit contenir l’ensemble des données d’entraînement qui seront utilisées par le modèle de classification. Toutes les colonnes qui ne sont pas nommées dans les arguments TARGET_COLNAME sont considérées comme des variables d’entraînement (fonctionnalités). L’ordre des colonnes dans les données d’entrée n’a pas d’importance.

Les colonnes de fonctionnalités doivent être STRING, NUMERIC ou BOOLEAN. Les colonnes STRING et BOOLEAN sont traitées comme des fonctionnalités catégorielles, tandis que les colonnes NUMERIC sont considérées comme des fonctionnalités continues. Pour traiter une colonne numérique comme une colonne catégorielle, il faut lui attribuer la valeur STRING.

target_colname

Nom de la colonne contenant l’étiquette (valeur cible) pour chaque ligne des données d’entraînement. La colonne cible peut être BOOLEAN, NUMERIC ou STRING.

Facultatif

config_object

Un OBJECT dont les paires clé-valeur spécifient des options d’entraînement supplémentaires.

Clé	Type	Par défaut	Description
evaluate	BOOLEAN	TRUE	Si des mesures d’évaluation doivent être générées. Si TRUE, un modèle supplémentaire est entraîné pour l’évaluation en utilisant les paramètres de evaluation_config.
on_error	STRING	“ABORT”	Chaîne constante qui spécifie la méthode de traitement des erreurs pour la tâche d’entraînement des modèles. Valeurs prises en charge : 'ABORT' : abandonner l’ensemble de l’opération d’entraînement si une ligne donne lieu à une erreur. 'SKIP' : ignorer les lignes qui entraînent une erreur. L’erreur est affichée à la place des résultats.
evaluation_config	OBJECT	NULL	Un objet de configuration facultatif pour spécifier comment les mesures d’évaluation hors échantillon doivent être générées. Actuellement, il n’existe qu’une seule option de ce type. test_fraction (FLOAT) : la fraction de l’ensemble de données qui doit être utilisée comme données de test (d’évaluation). Si la configuration de l’évaluation n’est pas spécifiée, le comportement par défaut est d’essayer d’inclure un minimum de 500 instances de la classe minoritaire dans l’ensemble d’évaluation et de limiter la fraction totale de test à 20 % de l’ensemble de données. Cette approche permet de maintenir un équilibre dans l’évaluation des modèles et l’entraînement, en particulier pour les classes minoritaires.

Exigences en matière de contrôle d’accès¶

Un rôle utilisé pour exécuter cette opération doit au minimum disposer des privilèges suivants :

Le privilège USAGE relatif à la base de données et au schéma parents est exigé pour effectuer des opérations sur tout objet d’un schéma.

Pour obtenir des instructions sur la création d’un rôle personnalisé avec un ensemble spécifique de privilèges, voir Création de rôles personnalisés.

Pour des informations générales sur les rôles et les privilèges accordés pour effectuer des actions SQL sur des objets sécurisables, voir Aperçu du contrôle d’accès.

Exemple¶

Voir des exemples.