MLSQL 机器学习最简教程（无需Python!）
系列文章：
- MLSQL 机器学习最简教程（无需Python!）
- MLSQL深度学习入门【一】
- MLSQL深度学习入门【二】-分布式模型训练
- MLSQL深度学习入门【三】-特征工程
- MLSQL深度学习入门【四】-Serving
我们可以使用MLSQL轻易完成整个机器学习的Pipline，这包括:
- 加载数据
- 处理数据
- 模型训练（支持多组参数，模型版本等）
- 批量预测
- 模型评估
- 部署API服务
今天，让我们开始这个旅程吧。
首先，加载我们已经准备好的数据：
我们分别加载了训练数据，验证数据，和测试数据。因为原生是数组，需要转化为向量，所以简单做个转换：
因为这是个分类问题，所以我们需要选择一个分类算法。我们打算使用随机森林算法。不过我们首先要找找这个算法有没有：
我们用关键字 Random去检索，发现有的。但是我们现在还不知道这个模块怎么使用，所以我们可以借助下面的命令查看下：
黑色部分是一个使用示例，doc部分展示该算法的一些介绍。我们依葫芦画瓢画瓢，写一个：
哦，对了，如果想看算法都有哪些参数，可以使用下面的指令进行查看：
我们配置了两组参数，系统会同时进行两个模型的训练，并且根据验证数据集算出那个效果更好。下面是完整的输出结果：
篮筐部分显示第二个模型的F1值（准确率）是76%。 假设我们接受了这个，然后我们需要拿我们还热乎的模型到测试数据集里去验证下效果，可以这么做：
通过predict 指定数据集就可以了。现在只是看到了预测值(prediction),和实际的值(label),我们现在还不清楚对了多少，错了多少。我们用一个内置的模块来评估下：
ConfusionMatrix会计算很多指标，比如PPV等，每个指标的含义在desc都有描述。一般我们关注的是准确率：
因为是2分类，所有有两个准确率。 效果都还不错达到了80%。
既然效果不错，那我们可以把模型部署到线上提供服务了。做法也很简单：
我们通过 deployModel 注解，然后通过register语法，把模型部署到指定的服务上。
现在我们可以通过调用http接口进行预测了：
上面的语句相当于发起了一个POST请求。
Done，我们的模型已经在服务千家万户了。