如何在Studio中保存R randomForest对象？

Question

我在SAP世界中很新，我正在尝试使用安装在Studio中的R服务器( HANA的版本: 2.3.8 &RServer3.4.0的版本)

我的任务是：

• HANA中R服务器上的randomForest模型训练(借助HANA上的RLANG过程)
• 将randomForest模型保存为HANA中的PAL模型对象
• 利用该模型对HANA中的新数据进行预测。

下面是一个用于在HANA上对模型进行保存的RLANG过程的一个小例子：

    PROCEDURE "PA"."RF_TRAIN" ( 
    IN data "PA"."IRIS", 
    OUT modelOut "PA"."TRAIN_MODEL"
 ) 
    LANGUAGE RLANG 
SQL SECURITY INVOKER 
DEFAULT SCHEMA "PA"
AS
BEGIN

require(randomForest)
require(dplyr)
require(pmml)
# iris <- as.data.frame(data)
data(iris)
iris <- iris %>% mutate(y = factor(ifelse(Species == "setosa", 1, 0)))
model <- randomForest(y~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, iris,
         importance = TRUE,
         ntree = 500)
modelOut <- as.data.frame(pmml(model))

END;

(请不要感到困惑，我没有使用我的输入数据进行模型培训，这不是一个真正的例子)

下面是在SAP上使用模型的表应该是什么样的：

SAP HANA模型

在本例中，培训是有效的，但我不知道如何在SAP数据库中保存随机森林对象，或者如何将随机森林对象转换为图片中的类似对象。

如有任何帮助，将不胜感激：

Answer 1

如果计划使用R服务器进行预测，可以将随机森林模型存储为SAP中的BLOB对象。

遵循SAP HANA R集成指南，您需要。

1. 将BLOB属性包含到表"PA"."TRAIN_MODEL中。
2. 在将模型写入表之前，使用函数serialize将模型存储为二进制。
3. 在调用预测过程时加载和Unserialize您的模型。

在你的R剧本里。

require(randomForest)
require(dplyr)
require(pmml)
generateRobjColumn <- function(...){
        result <- as.data.frame(cbind(
            lapply(
                list(...),
                function(x) if (is.null(x)) NULL else serialize(x, NULL)
            )
        ))
        names(result) <- NULL
        names(result[[1]]) <- NULL
        result
    }
# iris <- as.data.frame(data)
data(iris)
iris <- iris %>% mutate(y = factor(ifelse(Species == "setosa", 1, 0)))
model <- randomForest(y~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, iris,
         importance = TRUE,
         ntree = 500)
modelOut <- data.frame(ID = 1, MODEL = generateRobjColumn(pmml(model)))   

请注意，如果计划按原样重用模型，则实际上不需要使用pmml。

在另一个过程中，您需要调用此表并取消模型的序列化以进行预测。

CREATE PROCEDURE "PA"."RF_PREDICT" (IN data "PA"."IRIS", IN modelOut "PA"."TRAIN_MODEL", OUT result "PA"."PRED")
LANGUAGE RLANG AS
BEGIN
  rfModel <- unserialize(modelOut$MODEL[[1]])
  result <- predict(rfModel, newdata = data) # or whatever steps you need for prediction
END;