全部產品
Search

搜尋本產品

    PolarDB：模型使用流程及說明

    文件中心

    PolarDB：模型使用流程及說明

    更新時間：Nov 08, 2024

    本文介紹了建立模型、上傳模型、模型評估以及模型推理等功能的文法、參數說明及其樣本內容。

    PolarDB for AI模型簡介

    使用內建模型

    PolarDB for AI內建了兩大機器學習模型：NL2SQL大模型和通義千問大模型。您無需進行額外的模型配置，即可使用這個兩大機器學習模型提供的PolarDB for AI功能。

    具體請參見：

    構建自訂模型

    在客戶的實際業務情境中，模型經過演算法調優後，模型結構可能會根據業務效果進行調整，內建的機器學習模型可能無法滿足使用者的實際業務需求。因此，PolarDB for AI還支援構建自訂模型的功能，並支援將模型運行在機密容器中，進一步保障了客戶模型中資料的安全。

    您可按照如下流程構建並使用自訂模型：

    載入外部模型

    此外，基於PolarDB for AI的MLOps能力，您也可以直接將外部訓練好的模型上傳和部署在PolarDB中，並使用外部模型，如如基於Sklearn架構的LightGBM、GBDT，或者基於TensorFlow/PyTorch架構下的深度學習演算法等。

    您可按照如下流程載入外部模型：

    建立模型

    建立一個機器學習模型。機器學習模型的訓練過程是非同步，需要通過查詢模型狀態來判斷該模型是否訓練完成。

    文法說明

    CREATE MODEL model_name WITH ( model_class = '', x_cols = '', y_cols='',model_parameter=()) AS (SELECT select_expr [, select_expr] ... FROM table_reference)

    參數說明

    參數

    說明

    model_name

    模型名稱。

    model_class

    模型的類型。取值如下：

    x_cols

    模型訓練輸入列。

    說明

    多個列名之間使用英文逗號（,）分隔。

    y_cols

    模型訓練輸出資料行。

    model_parameter

    模型訓練參數。

    • 當model_class值為lightgbm時，model_parameter取值請參見參數說明。

    • 當model_class值為deepfm時，model_parameter取值請參見參數說明。

    • 當model_class值為kmeans時，model_parameter取值請參見參數說明。

    • 當model_class值為randomforestreg時，model_parameter取值請參見參數說明。

    • 當model_class值為gbrt時，model_parameter取值請參見參數說明。

    • 當model_class值為linearreg時，model_parameter取值請參見參數說明。

    • 當model_class值為svr時，model_parameter取值請參見參數說明。

    • 當model_class值為bst時，model_parameter取值請參見參數說明。

    select_expr

    列名。

    table_reference

    表名。

    樣本

    建立airlines_gbm模型。

    /*polar4ai*/CREATE MODEL airlines_gbm WITH (model_class='lightgbm', x_cols ='Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay',model_parameter=(boosting_type='gbdt', n_estimators=100, max_depth=8, num_leaves=256)) as (SELECT * FROM db4ai.airlines_train)

    執行結果如下：

    Query OK, 0 rows affected (0.79 sec)

    上傳模型

    PolarDB for AI支援上傳自訂機器學習模型，您可以將離線訓練好的模型上傳至PolarDB for AI，後續可以藉助該平台來管理上傳的模型。PolarDB for AI支援的模型格式有PMML、ONNX、Checkpoint（適用於Tensorflow、PyTorch平台）。

    文法說明

    UPLOAD MODEL model_name WITH (model_location = '', req_location = '')

    參數說明

    參數

    說明

    model_name

    模型名稱。

    model_location

    模型檔案地址。

    req_location

    模型運行依賴的檔案地址。

    樣本

    將建立好的模型my_model上傳至PolarDB for AI平台。

    /*polar4ai*/UPLOAD MODEL my_model WITH (model_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/model.pkl?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx', req_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/requirements.txt?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx');

    返回結果如下：

    Query OK, 0 rows affected (0.29 sec)

    執行以下命令，查看模型狀態。

    /*polar4ai*/ SHOW MODEL my_model;

    返回結果如下：

    +-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| saved       | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

    modelStatus顯示為saved，即表示模型上傳成功。

    部署模型

    您可以將上傳後的模型部署在PolarDB for AI平台上，部署成功後，模型為線上狀態，後續調用模型進行模型推理時，速度會更快。

    文法說明

    DEPLOY MODEL model_name

    參數說明

    參數

    說明

    model_name

    模型名稱。

    樣本

    將模型my_model部署在PolarDB for AI平台。

    /*polar4ai*/ DEPLOY MODEL my_model;

    返回結果如下：

    Query OK, 0 rows affected (0.29 sec)

    執行如下命令，查看模型狀態：

    /*polar4ai*/ SHOW MODEL my_model;

    返回結果如下：

    +-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| serving     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

    modelStatus顯示為serving，表示模型部署成功。

    查看模型

    查看模型列表

    查看當前叢集下的所有模型。

    文法說明

    SHOW MODELS

    樣本

    /*polar4ai*/SHOW MODELS

    執行結果如下：

    +-----------------------+-----------------+--------------+
| model_name            | model_class     | model_status |
+-----------------------+-----------------+--------------+
| airline_rfr           | randomforestreg | saved        |
| gbrt1                 | gbrt            | saved        |
| airline_deepfm        | deepfm          | saved        |
| airlines_gbm          | lightgbm        | saved        |
| lgbm1                 | lightgbm        | saved        |
| blackfriday_linearreg | linearreg       | saved        |
+-----------------------+-----------------+--------------+
6 rows in set (0.24 sec)

    查看模型狀態

    查看模型的目前狀態。建立模型之後使用該文法來查看模型是否訓練完成。模型狀態主要有以下幾種：

    • training：模型訓練中。

    • loading_data：模型在載入資料中。

    • trained：模型已經完成訓練。

    • saved：模型已經被儲存。

    • serving：模型正在服務中。

    • deleted：模型已經被刪除。

    文法說明

    SHOW MODEL model_name

    參數說明

    參數

    說明

    model_name

    模型名稱。

    樣本

    查看airlines_gbm模型的目前狀態。

    /*polar4ai*/SHOW MODEL airlines_gbm;

    執行結果如下：

    +-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| saved       | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)
    說明

    modelPath的有效時間為100分鐘，您可以通過modelPath中的Expires參數查看連結是否在有效期間內。如果您需要訪問該連結，請在有效期間內進行訪問。

    查看模型詳情

    文法說明

    DESCRIBE MODEL model_name

    參數說明

    參數

    說明

    model_name

    模型名稱。

    樣本

    查看airlines_gbm模型的詳細資料。

    /*polar4ai*/DESCRIBE MODEL airlines_gbm;

    執行結果如下：

    +-------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| model_name        | model_description                                                                                                                                                                                                                                                                 |
+-------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| airlines_gbm      | basic information:model_name:airlines_gbm model_class:lightgbm feature important:features,imp_gain,imp_splitAirline,0.3327,0.0376 AirportFrom,0.2178,0.1842 Time,0.1893,0.1999 AirportTo,0.1668,0.187 DayOfWeek,0.0384,0.1236 Length,0.0307,0.1269 Flight,0.0242,0.1408           |
+-------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.65 sec)

    模型評估

    評估已經訓練好的模型的效果。

    文法說明

    SELECT select_expr [, select_expr] ... FROM EVALUATE (MODEL model_name, SELECT select_expr_for_prediction [, select_expr_for_prediction] ... FROM table_reference ) WITH (x_cols = '', y_cols='', metrics='')

    參數說明

    參數

    說明

    select_expr

    模型評估結果中展示的列名。

    model_name

    模型名稱。

    select_expr_for_prediction

    用於進行模型評估的列名。

    table_reference

    表名。

    x_cols

    模型訓練輸入列。多個列名之間使用英文逗號（,）分隔。

    y_cols

    模型訓練輸出資料行。

    metrics

    模型評估指標。取值如下：

    • acc：準確率，適用於分類任務。

    • r2_score：決定係數，適用於迴歸任務。

    • ks：ks值，表示模型能將正負樣本區分出來的程度，適用於分類任務。

    • auc：auc值，表示ROC曲線與座標軸圍成的面積，適用於分類任務。

    • Fscore：F-score，精確率和召回率的調和平均數，適用於分類任務。

    樣本

    1. 使用已經訓練完成的airlines_gbm模型進行模型評估。

      /*polar4ai*/SELECT Delay FROM evaluate(MODEL airlines_gbm, SELECT * FROM db4ai.airlines_test) WITH (x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay', metrics='acc');

      執行結果如下：

      +--------------------------------------+
| task_id                              |
+--------------------------------------+
| df05244e-21f7-11ed-be66-xxxxxxxxxxxx |
+--------------------------------------+
1 row in set (0.95 sec)

    2. 執行如下命令，查看任務狀態。

      /*polar4ai*/SHOW TASK `df05244e-21f7-11ed-be66-xxxxxxxxxxxx`;

      執行結果如下：

      +------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| taskStatus | filePath                                                                                                                                           | results         | startTime                  | endTime                    |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| finish     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/pc-xxxxxxx/airlines_gbm/xxxxx.csv?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx | {"acc": 0.6694} | 2022-08-22 17:22:21.122101 | 2022-08-22 17:22:39.428811 |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
1 row in set (0.24 sec)
      說明

      filePath的有效時間為100分鐘，您可以通過filePath中的Expires參數查看連結是否在有效期間內。如果您需要訪問該連結，請在有效期間內進行訪問。

    模型推理

    使用已經訓練好的模型進行線上推理或離線推理。

    文法說明

    SELECT select_expr [, select_expr] ... FROM PREDICT (MODEL model_name, SELECT select_expr_for_prediction [, select_expr_for_prediction] ... FROM table_reference LIMIT row_count) WITH (x_cols= '')

    參數說明

    參數

    說明

    select_expr

    模型推理結果中展示的列名。

    model_name

    模型名稱。

    select_expr_for_prediction

    模型推理時使用的列名。

    table_reference

    表名。

    mode

    模式。填寫async時，表示離線推理；不填時表示線上推理。

    row_count

    推理的樣本數量。

    x_cols

    模型訓練輸入列。多個列名之間使用英文逗號（,）分隔。

    樣本

    • 線上推理。

      使用已經建立好的模型airlines_gbm進行線上推理。

      /*polar4ai*/SELECT Delay FROM PREDICT(MODEL airlines_gbm, SELECT * FROM db4ai.airlines_test LIMIT 10) WITH (x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay');

      執行結果如下：

      +-------+-------------------+
| Delay | predicted_results |
+-------+-------------------+
|     1 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     1 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     1 | 0                 |
+-------+-------------------+
10 rows in set (0.74 sec)

    • 離線推理。

      當推理樣本數量大於1000時，PolarDB for AI會提示您採用離線任務：

      ERROR 9050 (HY000): Please limit the SQL selected data length to less than '1000' or convert to offline prediction

      建立離線任務如下：

      /*polar4ai*/SELECT Delay FROM predict(MODEL airlines_gbm, SELECT * FROM db4ai.airlines_test) WITH (x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay', mode='async');

      執行結果如下：

      +--------------------------------------+
| task_id                              |
+--------------------------------------+
| bd0c1722-21e7-11ed-94a8-xxxxxxxxxxxx |
+--------------------------------------+
1 row in set (0.75 sec)

      以上查詢結果返回該任務的task_id，您可以通過該任務ID查詢任務狀態以及對應結果的下載地址。

      /*polar4ai*/SHOW TASK `bd0c1722-21e7-11ed-94a8-xxxxxxxxxxxx`

      執行結果如下：

      +------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| taskStatus | filePath                                                                                                                                           | results         | startTime                  | endTime                    |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| finish     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/pc-xxxxxxx/airlines_gbm/xxxxx.csv?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx |                 | 2022-08-22 14:57:51.355240 | 2022-08-22 14:58:18.316818 |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
1 row in set (0.24 sec)
      說明

      filePath的有效時間為100分鐘，您可以通過filePath中的Expires參數查看連結是否在有效期間內。如果您需要訪問該連結，請在有效期間內進行訪問。

    離線評估與離線推理任務

    查看離線工作清單

    查看當前叢集下的所有離線任務。

    說明

    離線任務是指已耗用時間長，且無法即時擷取結果的批處理任務，任務類型包括離線評估和離線推理兩種類型。

    文法說明

    SHOW TASKS

    樣本

    執行以下命令，查看當前叢集下的所有離線任務。

    /*polar4ai*/SHOW TASKS;

    執行結果如下：

    +--------------------------------------+------------+-------------+----------------------------+----------------------------+
| task_id                              | task_type  | task_status | start_timestr              | end_timestr                |
+--------------------------------------+------------+-------------+----------------------------+----------------------------+
| 2cba0c74-1f8f-11ed-934a-xxxxxxxxxxxx | prediction | finish      | 2022-08-19 15:18:51.206829 |                            |
| 77b3a186-1f94-11ed-8eaa-xxxxxxxxxxxx | evaluation | finish      | 2022-08-19 15:56:44.465594 |                            |
| 972547a4-1fa3-11ed-9c6b-xxxxxxxxxxxx | evaluation | finish      | 2022-08-19 17:44:59.790353 | 2022-08-19 17:45:23.750100 |
| bd0c1722-21e7-11ed-94a8-xxxxxxxxxxxx | prediction | finish      | 2022-08-22 14:57:51.355240 | 2022-08-22 14:58:18.316818 |
| df05244e-21f7-11ed-be66-xxxxxxxxxxxx | evaluation | finish      | 2022-08-22 16:53:20.381577 | 2022-08-22 16:53:37.189953 |
| ec956db8-21fb-11ed-8400-xxxxxxxxxxxx | evaluation | finish      | 2022-08-22 17:22:21.122101 | 2022-08-22 17:22:39.428811 |
+--------------------------------------+------------+-------------+----------------------------+----------------------------+
9 rows in set (0.18 sec)

    查看離線任務狀態

    查看離線任務的目前狀態。任務狀態主要有以下幾種：

    • init：任務初始化。

    • running：任務執行中。

    • finish：任務完成。

    • fail：任務失敗。

    文法說明

    SHOW TASK `task_id`

    參數說明

    參數

    說明

    task_id

    任務ID。

    樣本

    查看任務ID為df05244e-21f7-11ed-be66-xxxxxxxxxxxx的任務狀態。

    /*polar4ai*/SHOW TASK `df05244e-21f7-11ed-be66-xxxxxxxxxxxx`

    執行結果如下：

    +------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| taskStatus | filePath                                                                                                                                           | results         | startTime                  | endTime                    |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| finish     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/pc-xxxxxxx/airlines_gbm/xxxxx.csv?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx | {"acc": 0.6694} | 2022-08-22 17:22:21.122101 | 2022-08-22 17:22:39.428811 |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
1 row in set (0.24 sec)
    說明

    filePath的有效時間為100分鐘，您可以通過filePath中的Expires參數查看連結是否在有效期間內。如果您需要訪問該連結，請在有效期間內進行訪問。

    刪除模型

    當模型不再使用時，使用該文法刪除已經建立的模型。

    文法說明

    DROP MODEL model_name

    參數說明

    參數

    說明

    model_name

    模型名稱。

    樣本

    刪除airlines_gbm模型。

    /*polar4ai*/DROP MODEL airlines_gbm

    執行結果顯示類似如下內容，表示已成功刪除airlines_gbm模型：

    Query OK, 0 rows affected (0.57 sec)

    自訂模型最佳實務

    接下來，我們將通過一個樣本，帶您瞭解自訂模型管理的完整鏈路。本最佳實務以模型的離線訓練和線上推理為例進行介紹。

    1. 離線訓練模型。

      以LightGBM演算法為例，離線訓練指令碼如下：

      # coding: utf-8
from pathlib import Path

import pandas as pd
from sklearn.metrics import mean_squared_error

import lightgbm as lgb
import joblib

def train_model():
    print('Loading data...')
    # load or create your dataset
    df_train = pd.read_csv('regression.train', header=None, sep='\t')
    df_test = pd.read_csv('regression.test', header=None, sep='\t')

    y_train = df_train[0]
    y_test = df_test[0]
    X_train = df_train.drop(0, axis=1)
    X_test = df_test.drop(0, axis=1)

    # create dataset for lightgbm
    lgb_train = lgb.Dataset(X_train, y_train)
    lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train)


    # specify your configurations as a dict
    params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': {'l2', 'l1'},
        'num_leaves': 31,
        'learning_rate': 0.05,
        'feature_fraction': 0.9,
        'bagging_fraction': 0.8,
        'bagging_freq': 5,
        'verbose': 0
    }

    print('Starting training...')
    # train
    gbm = lgb.train(params,
                    lgb_train,
                    num_boost_round=20,
                    valid_sets=lgb_eval,
                    callbacks=[lgb.early_stopping(stopping_rounds=5)])


    print('Saving model...')
    # save model to file
    # gbm.save_model('model.txt')
    joblib.dump(gbm, 'lgb.pkl')

    print('Starting predicting...')
    # predict
    y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration)
    # eval
    rmse_test = mean_squared_error(y_test, y_pred) ** 0.5
    print(f'The RMSE of prediction is: {rmse_test}')

      其中，模型檔案匯出為pkl格式，並且調用predict方法返回推理結果，同時還需要提供模型運行依賴的python檔案。

      檔案requirements.txt內容樣本如下：

      lightgbm==3.3.3

    2. 上傳模型。

      1. 執行以下命令，將模型上傳至PolarDB for AI。

        /*polar4ai*/UPLOAD MODEL my_model WITH (model_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/model.pkl?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx', req_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/requirements.txt?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx')

        其中，model_location和req_location分別表示模型檔案地址以及模型運行時所依賴的檔案地址，您可以將這兩個檔案提前準備好，並上傳至自己的私人oss bucket，再通過以上命令上傳至PolarDB for AI平台。

        返回結果如下：

        Query OK, 0 rows affected (0.29 sec)

      2. 執行以下命令，查看模型狀態。

        /*polar4ai*/ SHOW my_model;

        返回結果如下：

        +-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| saved       | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

        modelStatus顯示為saved，表示模型上傳成功。

    3. 部署模型。

      1. 執行以下命令，將模型部署在PolarDB for AI上。

        /*polar4ai*/ DEPLOY MODEL my_model;

        返回結果如下：

        Query OK, 0 rows affected (0.29 sec)

      2. 執行以下命令，查看模型狀態。

        /*polar4ai*/ SHOW MODEL my_model;

        返回結果如下：

        +-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| serving     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

        modelStatus顯示為serving，表示模型部署成功。

    4. 模型線上推理。

      執行以下命令，執行模型線上推理任務。

      /*polar4ai*/ SELECT Y FROM PREDICT(MODEL my_model, SELECT * FROM db4ai.regression_test LIMIT 10) WITH (x_cols = 'x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17,x18,x19,x20,x21,x22,x23,x24,x25,x26,x27,x28', y_cols='');

      返回結果如下：

      +------+---------------------+
| Y    | predicted_results   |
+------+---------------------+
|  1.0 | 0.6262147669037363  |
|  0.0 | 0.5082804008241021  |
|  0.0 | 0.37533158372209957 |
|  1.0 | 0.461974928099089   |
|  0.0 | 0.3777339456553666  |
|  0.0 | 0.35045096227525735 |
|  0.0 | 0.4178165504012342  |
|  1.0 | 0.40869795422774036 |
|  1.0 | 0.6826481286570045  |
|  0.0 | 0.47021259543154736 |
+------+---------------------+
10 rows in set (0.95 sec)