机器学习，它主要是一组统计算法，基于现有数据，能够从中获得洞察力。这些算法基本上分为两个系列，监督学习和非监督学习。

1、在监督学习中，目标是执行某种预测。

2、无监督学习侧重于回答我的案例如何分组的问题

下面介绍如何使用数据库进行机器学习，逐步实现KMeans

1. 加载数据样例

本示例，我们将使用知名的鸢尾花数据，首先我们下载数据（https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data）到本地。

接下创建iris 表：

CREATE TABLE iris(sepal_length REAL,sepal_width REAL,petal_length REAL,petal_width REAL,species varchar(20));

导入刚下载的数据

COPY iris FROM '/path/to/iris.data' DELIMITER ',';

2. 安装依赖

  * Python：目前有两个主要的版本，2.7和3.7。

  * PL/Python：对应Python 2和Python 3，也有两个版本的plpython，分别是plpython2u和plpython3u，你可以选择一个，或者同时安装。

  * 安装额外的Python组件：使用你喜欢的Python包管理器（pip，conda等等）来安装scikit-learn和pandas。顺便说下，如果你想使用Python进行机器学习，这两个包都是必须的。

pip install sklearn pandas

安装好之后就可以创建插件了。

CREATE EXTENSION plpythonu， 如果使用的python3 这里通过CREATE EXTENSION plpythonu3；

3、kmeans

创建函数

CREATE OR replace FUNCTION kmeans(input_table text, columns text[], clus_num int) RETURNS bytea AS

$$

from pandas import DataFrame

from sklearn.cluster import KMeans

from cPickle import dumps 

all_columns = ",".join(columns)

if all_columns == "":

    all_columns = "*"

rv = plpy.execute('SELECT %s FROM %s;' % (all_columns, plpy.quote_ident(input_table)))

frame = []

for i in rv:

    frame.append(i)

df = DataFrame(frame).convert_objects(convert_numeric =True)

kmeans = KMeans(n_clusters=clus_num, random_state=0).fit(df._get_numeric_data())

return dumps(kmeans)

$$ LANGUAGE plpythonu;

4、保存模型

CREATE TABLE models (

id SERIAL PRIMARY KEY,

model BYTEA NOT NULL

);

INSERT INTO models(model) SELECT kmeans('iris', array[]::text[], 3);

5. 显示模型信息

select * from models;

但是如果通过这种方式进行查询，直接从数据库中获取它并不是很有用，需要回到Python以显示有关我们模型的有用信息。

创建如下函数进行显示

CREATE OR replace FUNCTION get_kmeans_centroids(

    model_table text, model_column text, model_id int) 

    RETURNS real[] AS

$$

from pandas import DataFrame

from cPickle import loads

rv = plpy.execute('SELECT %s FROM %s WHERE id = %s;' % 

                  (plpy.quote_ident(model_column), 

                   plpy.quote_ident(model_table), model_id))

model = loads(rv[0][model_column])

ret = map(list, model.cluster_centers_)

return ret

$$ LANGUAGE plpythonu;

--查询数据

select get_kmeans_centroids('models','model',1);

6、预测， 这也是机器学习中的价值所在

现在我们有了一个模型，让我们用它来做预测！ 在kmeans中，这意味着传递一组值（对应于每个变量）并获取它所属的组号。 该函数与前一个函数非常相似：

CREATE OR replace FUNCTION predict_kmeans(

    model_table text, model_column text

    , model_id int, input_values real[]) 

    RETURNS int[] AS

$$

from cPickle import loads

rv = plpy.execute('SELECT %s FROM %s WHERE id = %s;' % 

                  (plpy.quote_ident(model_column)

                  , plpy.quote_ident(model_table)

                  , model_id))

model = loads(rv[0][model_column])

ret = model.predict(input_values)

return ret

$$ LANGUAGE plpythonu;

下面带入需要预测的数据

select predict_kmeans('models','model',1,array[[0.5,0.5,0.5,0.5]]);

执行返回结果如下：

# {1}

解释一下这个预测：鸢尾花数据集内包含 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour, iris-virginica）中的哪一品种。