Применение модели CatBoost в ClickHouse

CatBoost — открытая программная библиотека разработанная компанией Яндекс для машинного обучения, которая использует схему градиентного бустинга.

С помощью этой инструкции вы научитесь применять предобученные модели в ClickHouse: в результате вы запустите вывод модели из SQL.

Чтобы применить модель CatBoost в ClickHouse:

  1. Создайте таблицу.
  2. Вставьте данные в таблицу.
  3. Интегрируйте CatBoost в ClickHouse (Опциональный шаг).
  4. Запустите вывод модели из SQL.

Подробнее об обучении моделей в CatBoost, см. Обучение и применение моделей.

Перед началом работы

Если у вас еще нет Docker, установите его.

Примечание

Docker – это программная платформа для создания контейнеров, которые изолируют установку CatBoost и ClickHouse от остальной части системы.

Перед применением модели CatBoost:

1. Скачайте Docker-образ из реестра:

$ docker pull yandex/tutorial-catboost-clickhouse

Данный Docker-образ содержит все необходимое для запуска CatBoost и ClickHouse: код, среду выполнения, библиотеки, переменные окружения и файлы конфигурации.

2. Проверьте, что Docker-образ успешно скачался:

$ docker image ls
REPOSITORY                            TAG                 IMAGE ID            CREATED             SIZE
yandex/tutorial-catboost-clickhouse   latest              622e4d17945b        22 hours ago        1.37GB

3. Запустите Docker-контейнер основанный на данном образе:

$ docker run -it -p 8888:8888 yandex/tutorial-catboost-clickhouse

1. Создайте таблицу

Чтобы создать таблицу для обучающей выборки:

1. Запустите клиент ClickHouse:

$ clickhouse client

Примечание

Сервер ClickHouse уже запущен внутри Docker-контейнера.

2. Создайте таблицу в ClickHouse с помощью следующей команды:

:) CREATE TABLE amazon_train
(
    date Date MATERIALIZED today(), 
    ACTION UInt8, 
    RESOURCE UInt32, 
    MGR_ID UInt32, 
    ROLE_ROLLUP_1 UInt32, 
    ROLE_ROLLUP_2 UInt32, 
    ROLE_DEPTNAME UInt32, 
    ROLE_TITLE UInt32, 
    ROLE_FAMILY_DESC UInt32, 
    ROLE_FAMILY UInt32, 
    ROLE_CODE UInt32
)
ENGINE = MergeTree()

3. Выйдите из клиента ClickHouse:

:) exit

2. Вставьте данные в таблицу

Чтобы вставить данные:

1. Выполните следующую команду:

$ clickhouse client --host 127.0.0.1 --query 'INSERT INTO amazon_train FORMAT CSVWithNames' < ~/amazon/train.csv

2. Запустите клиент ClickHouse:

$ clickhouse client

3. Проверьте, что данные успешно загрузились:

:) SELECT count() FROM amazon_train

SELECT count()
FROM amazon_train

+-count()-+
|   65538 |
+---------+

3. Интегрируйте CatBoost в ClickHouse

Примечание

Опциональный шаг. Docker-образ содержит все необходимое для запуска CatBoost и ClickHouse.

Чтобы интегрировать CatBoost в ClickHouse:

1. Создайте библиотеку для оценки модели.

Наиболее быстрый способ оценить модель CatBoost — это скомпилировать библиотеку libcatboostmodel.<so|dll|dylib>. Подробнее о том, как скомпилировать библиотеку, читайте в документации CatBoost.

2. Создайте в любом месте новую директорию с произвольным названием, например data и поместите в нее созданную библиотеку. Docker-образ уже содержит библиотеку data/libcatboostmodel.so.

3. Создайте в любом месте новую директорию для конфигурации модели с произвольным названием, например models.

4. Создайте файл конфигурации модели с произвольным названием, например models/amazon_model.xml.

5. Опишите конфигурацию модели:

<models>
    <model>
        <!-- Тип модели. В настоящий момент ClickHouse предоставляет только модель catboost. -->
        <type>catboost</type>
        <!-- Имя модели. -->
        <name>amazon</name>
        <!-- Путь к обученной модели. -->
        <path>/home/catboost/tutorial/catboost_model.bin</path>
        <!-- Интервал обновления. -->
        <lifetime>0</lifetime>
    </model>
</models>

6. Добавьте в конфигурацию ClickHouse путь к CatBoost и конфигурации модели:

<!-- Файл etc/clickhouse-server/config.d/models_config.xml. -->
<catboost_dynamic_library_path>/home/catboost/data/libcatboostmodel.so</catboost_dynamic_library_path>
<models_config>/home/catboost/models/*_model.xml</models_config>

4. Запустите вывод модели из SQL

Для тестирования модели запустите клиент ClickHouse $ clickhouse client.

Проверьте, что модель работает:

:) SELECT 
    modelEvaluate('amazon', 
                RESOURCE,
                MGR_ID,
                ROLE_ROLLUP_1,
                ROLE_ROLLUP_2,
                ROLE_DEPTNAME,
                ROLE_TITLE,
                ROLE_FAMILY_DESC,
                ROLE_FAMILY,
                ROLE_CODE) > 0 AS prediction, 
    ACTION AS target
FROM amazon_train
LIMIT 10

Примечание

Функция modelEvaluate возвращает кортежи (tuple) с исходными прогнозами по классам для моделей с несколькими классами.

Спрогнозируйте вероятность:

:) SELECT 
    modelEvaluate('amazon', 
                RESOURCE,
                MGR_ID,
                ROLE_ROLLUP_1,
                ROLE_ROLLUP_2,
                ROLE_DEPTNAME,
                ROLE_TITLE,
                ROLE_FAMILY_DESC,
                ROLE_FAMILY,
                ROLE_CODE) AS prediction,
    1. / (1 + exp(-prediction)) AS probability, 
    ACTION AS target
FROM amazon_train
LIMIT 10

Примечание

Подробнее про функцию exp().

Посчитайте логистическую функцию потерь (LogLoss) на всей выборке:

:) SELECT -avg(tg * log(prob) + (1 - tg) * log(1 - prob)) AS logloss
FROM 
(
    SELECT 
        modelEvaluate('amazon', 
                    RESOURCE,
                    MGR_ID,
                    ROLE_ROLLUP_1,
                    ROLE_ROLLUP_2,
                    ROLE_DEPTNAME,
                    ROLE_TITLE,
                    ROLE_FAMILY_DESC,
                    ROLE_FAMILY,
                    ROLE_CODE) AS prediction,
        1. / (1. + exp(-prediction)) AS prob, 
        ACTION AS tg
    FROM amazon_train
)

Примечание

Подробнее про функции avg(), log().