原生DB4AI引擎
Vastbase当前版本支持了原生DB4AI能力，通过引入原生AI算子，简化操作流程，充分利用数据库优化器、执行器的优化与执行能力，获得高性能的数据库内模型训练能力。更简化的模型训练与预测流程、更高的性能表现，让开发者在更短时间内能更专注于模型的调优与数据分析上，而避免了碎片化的技术栈与冗余的代码实现。
关键字解析
表 1 DB4AI语法及关键字
使用指导
本版本支持的算法概述
当前版本的DB4AI新增支持算法如下：
表 2 支持算法
模型训练语法说明
CREATE MODEL
使用“CREATE MODEL”语句可以进行模型的创建和训练。模型训练SQL语句，选用公开数据集鸢尾花数据集iris。
以multiclass为例，训练一个模型。从tb._iris训练集中指定sepal._length, sepal._width,petal._length,petal._widt为特征列，使用multiclass算法，创建并保存模型iris._classification._model。
CREATE MODEL iris_classification_model USING xgboost_regression_logistic FEATURES sepal_length, sepal_width,petal_length,petal_width TARGET target_type < 2 FROM tb_iris_1 WITH nthread=4, max_depth=8;返回结果为如下：
MODEL CREATED. PROCESSED 1上述命令中：
- “CREATE MODEL”语句用于模型的训练和保存。
- USING关键字指定算法名称。
- FEATURES用于指定训练模模型的特征，需根据训练数据表的列名添加。
- TARGET指定模型的训练目标，它可以是训练所需数据表的列名，也可以是一个表达式，例如: price .> 10000。
- WITH用于指定训练模型时的超参数。当超参未被用户进行设置的时候，框架会使用默认数值。
针对不同的算子，框架支持不同的超参组合：
表 3 算子支持的超参
当前各个超参数设置的默认值和取值范围如下：
表 4 超参的默认值以及取值范围
logistic_regression、linear_regression、svm_classification、pca
模型保存成功，则返回创建成功信息：
MODEL CREATED. PROCESSED x
查看模型信息
当训练完成后模型会被存储到系统表gs._model._warehouse中。系统表gs._model._warehouse可以查看到关于模型本身和训练过程的相关信息。
关于模型的详细描述信息以二进制的形式存储在系统表中，用户可用过使用函数gs._explain._model完成对模型的查看，语句如下：
select * from gs_explain_model("iris_classification_model");
结果返回为如下：
DB4AI MODEL
-------------------------------------------------------------
Name: iris_classification_model
Algorithm: xgboost_regression_logistic
Query: CREATE MODEL iris_classification_model
USING xgboost_regression_logistic
FEATURES sepal_length, sepal_width,petal_length,petal_width
TARGET target_type < 2
FROM tb_iris_1
WITH nthread=4, max_depth=8;
Return type: Float64
Pre-processing time: 0.000000
Execution time: 0.001443
Processed tuples: 78
Discarded tuples: 0
n_iter: 10
batch_size: 10000
max_depth: 8
min_child_weight: 1
gamma: 0.0000000000
eta: 0.3000000000
nthread: 4
verbosity: 1
seed: 0
booster: gbtree
tree_method: auto
eval_metric: rmse
rmse: 0.2648450136
model size: 4613
利用已存在的模型做推断任务
使用“SELECT”和“PREDICT BY”关键字利用已有模型完成推断任务。
查询语法：SELECT…PREDICT BY….(FEATURES….)…FROM…;
SELECT id, PREDICT BY iris_classification (FEATURES sepal_length,sepal_width,petal_length,petal_width) as "PREDICT" FROM tb_iris limit 3;
结果返回为如下：
id | PREDICT
-----+---------
84 | 2
85 | 0
86 | 0
(3 rows)
针对相同的推断任务，同一个模型的结果是大致稳定的。且基于相同的超参数和训练集训练的模型也具有稳定性，同时AI模型训练存在随机成分（每个batch的数据分布、随机梯度下降），所以不同的模型间的计算表现、结果允许存在小的差别。
查看执行计划
使用explain语句可对“CREATE MODEL”和“PREDICT BY”的模型训练或预测过程中的执行计划进行分析。Explain关键字后可直接拼接CREATE MODEL/ PREDICT BY语句（子句），也可接可选的参数，支持的参数如下：
表 5 EXPLAIN支持的参数
示例：
Explain CREATE MODEL patient_logisitic_regression USING logistic_regression FEATURES second_attack, treatment TARGET trait_anxiety > 50 FROM patients WITH batch_size=10, learning_rate = 0.05;
返回结果为如下：
QUERY PLAN
-------------------------------------------------------------------------
Train Model - logistic_regression (cost=0.00..0.00 rows=0 width=0)
-> Materialize (cost=0.00..41.08 rows=1776 width=12)
-> Seq Scan on patients (cost=0.00..32.20 rows=1776 width=12)
(3 rows)
异常场景
训练阶段
场景一：当超参数的设置超出取值范围，模型训练失败，返回ERROR，并提示错误，例如：
CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET trait_anxiety FROM patients WITH optimizer='aa';返回结果为如下：
ERROR: Invalid hyperparameter value for optimizer. Valid values are: gd, ngd.场景二：当模型名称已存在，模型保存失败，返回ERROR，并提示错误原因，例如：
CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET trait_anxiety FROM patients;返回结果为如下：
ERROR: The model name "patient_linear_regression" already exists in gs_model_warehouse.场景三：FEATURE或者TARGETS列是.*，返回ERROR，并提示错误原因，例如：
CREATE MODEL patient_linear_regression USING linear_regression FEATURES * TARGET trait_anxiety FROM patients; CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET * FROM patients;返回结果为如下：
ERROR: FEATURES clause cannot be * ERROR: TARGET clause cannot be *场景四：对于无监督学习方法使用TARGET关键字，或者在监督学习方法中不适用TARGET关键字，均会返回ERROR，并提示错误原因，例如：
CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment FROM patients; CREATE MODEL patient_linear_regression USING linear_regression TARGET trait_anxiety FROM patients;返回结果为如下：
ERROR: Supervised ML algorithms require TARGET clause ERROR: Supervised ML algorithms require FEATURES clause场景五：当进行分类任务时TARGET列的分类只有1种情况，会返回ERROR，并提示错误原因，例如：
CREATE MODEL ecoli_svmc USING multiclass FEATURES f1, f2, f3, f4, f5, f6, f7 TARGET cat FROM (SELECT * FROM db4ai_ecoli WHERE cat='cp');返回结果为如下：
ERROR: At least two categories are needed场景六：DB4AI在训练过程中会过滤掉含有空值的数据，当参与训练的模型数据为空的时候，会返回ERROR，并提示错误原因，例如：
create model iris_classification_model using xgboost_regression_logistic features message_regular target error_level from error_code;返回结果为如下：
ERROR: Training data is empty, please check the input data.场景七：DB4AI的算法对于支持的数据类型是有限制的。当数据类型不在支持白名单中，会返回ERROR，并提示非法的oid，可通过pg_type查看OID确定非法的数据类型，例如：
CREATE MODEL ecoli_svmc USING multiclass FEATURES f1, f2, f3, f4, f5, f6, f7, cat TARGET cat FROM db4ai_ecoli ;返回结果为如下：
ERROR: Oid type 1043 not yet supported场景八：当GUC参数statement_timeout设置了时长，训练超时执行的语句将被终止：执行CREATE MODEL语句。训练集的大小、训练轮数(iteration)、提前终止条件(tolerance、max_seconds)、并行线程数(nthread.)等参数都会影响训练时长。当时长超过数据库限制，语句被终止模型训练失败。
模型解析
场景九：当模型名在系统表中查找不到，数据库会报ERROR，例如：
select gs_explain_model("ecoli_svmc");返回结果为如下：
ERROR: column "ecoli_svmc" does not exist
推断阶段
场景十：当模型名在系统表中查找不到，数据库会报ERROR，例如：
select id, PREDICT BY patient_logistic_regression (FEATURES second_attack,treatment) FROM patients;返回结果为如下：
ERROR: There is no model called "patient_logistic_regression".场景十一：当做推断任务FEATURES的数据维度和数据类型与训练集存在不一致，将报ERROR，并提示错误原因，例如：
select id, PREDICT BY patient_linear_regression (FEATURES second_attack) FROM patients; select id, PREDICT BY patient_linear_regression (FEATURES 1,second_attack,treatment) FROM patients;返回结果为如下：
ERROR: Invalid number of features for prediction, provided 1, expected 2 CONTEXT: referenced column: patient_linear_regression_pred ------------------------------------------------------------------------------------------------------------------------------------- ERROR: Invalid number of features for prediction, provided 3, expected 2 CONTEXT: referenced column: patient_linear_regression_pre
DB4AI特性需要读取数据参与计算，不适用于密态数据库等情况。
