機械学習関数

機械学習関数に関するドキュメント

​

evalMLMethod

学習済みの回帰モデルを使用した予測には、evalMLMethod 関数を使用します。詳しくは linearRegression のリンクを参照してください。

​

stochasticLinearRegression

stochasticLinearRegression 集約関数は、線形モデルと MSE 損失関数を用いた確率的勾配降下法を実装します。新しいデータに対する予測には evalMLMethod を使用します。

​

stochasticLogisticRegression

stochasticLogisticRegression 集約関数は、二値分類問題に対する確率的勾配降下法を実装します。新しいデータに対する予測には evalMLMethod を使用します。

​

naiveBayesClassifier

N-gram とラプラス平滑化を用いた Naive Bayes モデルで入力テキストを分類します。使用する前に、ClickHouse でモデルを設定しておく必要があります。

構文

naiveBayesClassifier(model_name, input_text);

引数

• model_name — 事前設定済みモデルの名前。String モデルは ClickHouse の設定ファイルで定義されている必要があります (以下を参照) 。
• input_text — 分類対象のテキスト。String 入力は、指定されたとおりにそのまま処理されます (大文字・小文字や句読点は保持されます) 。

戻り値

• 予測されたクラス ID を符号なし整数で返します。UInt32 クラス ID は、モデル構築時に定義されたカテゴリに対応します。

例

言語検出モデルを使用してテキストを分類します：

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

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

結果の 0 は英語、1 はフランス語を表す場合があります。どのクラスが何を意味するかは、学習データによって異なります。

---

​

実装の詳細

アルゴリズム こちらに基づく N-gram の確率を用い、未出現の N-gram に対応するため、ラプラス平滑化を適用した Naive Bayes 分類アルゴリズムを使用します。

主な機能

• 任意のサイズの N-gram をサポート
• 3 つのトークン化モード:
  • byte: 生のバイト列を対象に処理します。各バイトが 1 つのトークンになります。
  • codepoint: UTF‑8 からデコードされた Unicode スカラー値を対象に処理します。各コードポイントが 1 つのトークンになります。
  • token: Unicode の空白文字の連続 (正規表現 \s+) で分割します。トークンは空白以外の連続した部分文字列で、句読点が隣接している場合はその句読点もトークンに含まれます (例: "you?" は 1 つのトークンです) 。

---

​

モデル設定

言語検出用の Naive Bayes モデルを作成するためのサンプルソースコードは、こちらで確認できます。

さらに、サンプルモデルと関連する config ファイルはこちらで公開されています。

以下は、ClickHouse における Naive Bayes モデルの設定例です。

<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>

設定パラメータ

パラメータ	説明	例	デフォルト
name	一意のモデル識別子	language_detection	必須
path	モデルのバイナリファイルへの完全パス	/etc/clickhouse-server/config.d/language_detection.bin	必須
mode	トークン化方式: - byte: バイト列 - codepoint: Unicode 文字 - token: 単語トークン	token	必須
n	N-gram のサイズ (token モード) : - 1=単語 1 語 - 2=単語 2 語の組 - 3=単語 3 語の組	2	必須
alpha	分類時に、モデルに現れない N-gram に対応するために使用するラプラス平滑化係数	0.5	1.0
priors	クラス確率 (各クラスに属するドキュメントの割合)	クラス 0 が 60%、クラス 1 が 40%	均等分布

モデル学習ガイド

ファイルフォーマット 可読形式では、n=1 かつ token モードの場合、モデルは次のようになります。

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

n=3 かつ codepoint モードの場合、次のようになります。

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

人が読める形式は ClickHouse では直接使用されず、以下で説明するバイナリ形式に変換する必要があります。

バイナリ形式の詳細 各 N-gram は、次の形式で格納されます。

1. 4 バイトの class_id (UInt、リトルエンディアン)
2. 4 バイトの n-gram のバイト長 (UInt、リトルエンディアン)
3. 生の n-gram バイト列
4. 4 バイトの count (UInt、リトルエンディアン)

前処理の要件 ドキュメントコーパスからモデルを作成する前に、指定された mode と n に従って N-gram を抽出できるよう、ドキュメントを前処理する必要があります。以下に、その前処理の手順を示します。

1. トークン化モードに応じて、各ドキュメントの先頭と末尾に境界マーカーを追加します。

   • Byte: 0x01 (先頭) 、0xFF (末尾)
   • Codepoint: U+10FFFE (先頭) 、U+10FFFF (末尾)
   • Token: <s> (先頭) 、</s> (末尾)

   注: (n - 1) 個のトークンが、ドキュメントの先頭と末尾の両方に追加されます。

2. token モードでの n=3 の例:

   • Document: "ClickHouse is fast"
   • Processed as: <s> <s> ClickHouse is fast </s> </s>
   • 生成されるトライグラム:
     • <s> <s> ClickHouse
     • <s> ClickHouse is
     • ClickHouse is fast
     • is fast </s>
     • fast </s> </s>

byte モードおよび codepoint モードでのモデル作成を簡単にするには、まず文書をトークン列に分割しておくと便利です (byte モードでは byte のリスト、codepoint モードでは codepoint のリスト) 。次に、文書の先頭に n - 1 個の開始トークンを、末尾に n - 1 個の終了トークンを追加します。最後に、N-gram を生成してシリアライズ済みファイルに書き込みます。

---