TribuoライブラリおよびOracle JDBCを使用したJavaでの機械学習の概要 (2025/12/30)

TribuoライブラリおよびOracle JDBCを使用したJavaでの機械学習の概要 (2025/12/30)

https://medium.com/oracledevs/an-introduction-to-machine-learning-in-java-with-the-tribuo-library-and-oracle-jdbc-63746fabf7c0

投稿者：Juarez Junior

Tribuo、Oracle JDBC、およびOracle AIデータベース26ai

Juarez Junior

はじめに

以前のブログ記事では、Oracle LabsのプロジェクトであるSD4Jライブラリについて取り上げました。また、Oracle LabsはGraalVMも開発しており、Java開発者であれば説明の必要もないでしょう。

さて、Oracle LabsのライブラリであるTribuo Machine Learning Libraryについて学びましょう。TribuoはJavaで記述され、Apache v2.0ライセンスで提供されるオープンソースの機械学習ライブラリです。

一般的なMLアルゴリズムを実装し、ONNX Runtime、TensorFlow、 XGBoost、LibLinearといったサードパーティ製MLライブラリへの統合インターフェースを提供します。ネイティブコードへのインターフェースも備えているため、Tribuoはscikit-learnやPyTorchといったPythonライブラリでトレーニングしたモデルをJavaプログラムの一部として
デプロイすることも可能です。

このブログ記事では、ソフトウェア開発者が習得すべき興味深い機械学習ライブラリであるTribuoを紹介します。前半では、Jupyter Notebookを使ってJavaコードを実行し、Tribuoライブラリを使用する方法を説明します。後半では、Oracle AI Database 26aiを使った例を見ていきます。

AI、機械学習、データサイエンスの基礎知識があることが推奨されます。MLの入門書が必要な場合は、こちらのブログ記事「機械学習とは？」をご覧ください。

では、これ以上お待たせせずに、始めましょう!

前提条件

ステップ1: Javaアプリケーションを構成する

次の依存関係を使用してMaven pom.xmlファイルを構成します: Oracle JDBCドライバー、Tribuo v4.3.2、およびその他の依存関係。

Mavenの使用

    <!-- Tribuo v4.3.2 -->    
    <dependency>
    <groupId>org.tribuo</groupId>
      <artifactId>tribuo-all</artifactId>
      <version>4.3.2</version>
      <type>pom</type>
    </dependency>

    <!-- Oracle AI Database 26ai JDBC / UCP -->
    <dependency>
        <groupId>com.oracle.database.jdbc</groupId>
        <artifactId>ojdbc17</artifactId>
        <version>${jdbc.version}</version>
    </dependency>
    <dependency>
        <groupId>com.oracle.database.jdbc</groupId>
        <artifactId>ucp17</artifactId>
        <version>${jdbc.version}</version>
    </dependency>

    <dependency>
      <groupId>org.apache.logging.log4j</groupId>
      <artifactId>log4j-api</artifactId>
      <version>2.23.1</version>
    </dependency>
    <dependency>
      <groupId>org.apache.logging.log4j</groupId>
      <artifactId>log4j-core</artifactId>
      <version>2.23.1</version>
    </dependency>
    <dependency>
      <groupId>org.apache.logging.log4j</groupId>
      <artifactId>log4j-slf4j-impl</artifactId>
      <version>2.23.1</version>
    </dependency>

ステップ2: Irisデータセットと対応するデータベーステーブル

アイリスデータセットは、1936年にイギリスの統計学者ロナルド・フィッシャーによって導入された、古典的な多変量データセットです。このデータセットは、アヤメ（Iris setosa）、アヤメ（Iris versicolor）、アヤメ（Iris virginica）の3種からそれぞれ50個ずつ、計150個のアヤメの花の標本で構成されています。各標本について、萼片の長さ、萼片の幅、花弁の長さ、花弁の幅という4つの特徴がセンチメートル単位で測定されています。このデータセットは、そのシンプルさと明確な分離性で知られており、分類手法のデモンストレーションに最適です。

以下に示すように、Oracle Database テーブルにロードするための簡単な SQL スクリプトを作成しました。

-- TABLE DDL

CREATE TABLE IRIS (
    id NUMBER,
    sepallengthcm NUMBER,
    sepalwidthcm NUMBER,
    petallengthcm NUMBER,
    petalwidthcm NUMBER,
    species VARCHAR2(20 BYTE)
);
COMMIT;

-- INSERT STATEMENTS (ALL SAMPLES)

INSERT INTO IRIS VALUES (1,5.1,3.5,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (2,4.9,3,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (3,4.7,3.2,1.3,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (4,4.6,3.1,1.5,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (5,5,3.6,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (6,5.4,3.9,1.7,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (7,4.6,3.4,1.4,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (8,5,3.4,1.5,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (9,4.4,2.9,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (10,4.9,3.1,1.5,0.1,'Iris-setosa');
INSERT INTO IRIS VALUES (11,5.4,3.7,1.5,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (12,4.8,3.4,1.6,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (13,4.8,3,1.4,0.1,'Iris-setosa');
INSERT INTO IRIS VALUES (14,4.3,3,1.1,0.1,'Iris-setosa');
INSERT INTO IRIS VALUES (15,5.8,4,1.2,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (16,5.7,4.4,1.5,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (17,5.4,3.9,1.3,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (18,5.1,3.5,1.4,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (19,5.7,3.8,1.7,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (20,5.1,3.8,1.5,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (21,5.4,3.4,1.7,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (22,5.1,3.7,1.5,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (23,4.6,3.6,1,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (24,5.1,3.3,1.7,0.5,'Iris-setosa');
INSERT INTO IRIS VALUES (25,4.8,3.4,1.9,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (26,5,3,1.6,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (27,5,3.4,1.6,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (28,5.2,3.5,1.5,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (29,5.2,3.4,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (30,4.7,3.2,1.6,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (31,4.8,3.1,1.6,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (32,5.4,3.4,1.5,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (33,5.2,4.1,1.5,0.1,'Iris-setosa');
INSERT INTO IRIS VALUES (34,5.5,4.2,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (35,4.9,3.1,1.5,0.1,'Iris-setosa');
INSERT INTO IRIS VALUES (36,5,3.2,1.2,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (37,5.5,3.5,1.3,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (38,4.9,3.1,1.5,0.1,'Iris-setosa');
INSERT INTO IRIS VALUES (39,4.4,3,1.3,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (40,5.1,3.4,1.5,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (41,5,3.5,1.3,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (42,4.5,2.3,1.3,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (43,4.4,3.2,1.3,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (44,5,3.5,1.6,0.6,'Iris-setosa');
INSERT INTO IRIS VALUES (45,5.1,3.8,1.9,0.4,'Iris-setosa');
INSERT INTO IRIS VALUES (46,4.8,3,1.4,0.3,'Iris-setosa');
INSERT INTO IRIS VALUES (47,5.1,3.8,1.6,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (48,4.6,3.2,1.4,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (49,5.3,3.7,1.5,0.2,'Iris-setosa');
INSERT INTO IRIS VALUES (50,5,3.3,1.4,0.2,'Iris-setosa');

INSERT INTO IRIS VALUES (51,7,3.2,4.7,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (52,6.4,3.2,4.5,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (53,6.9,3.1,4.9,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (54,5.5,2.3,4,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (55,6.5,2.8,4.6,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (56,5.7,2.8,4.5,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (57,6.3,3.3,4.7,1.6,'Iris-versicolor');
INSERT INTO IRIS VALUES (58,4.9,2.4,3.3,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (59,6.6,2.9,4.6,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (60,5.2,2.7,3.9,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (61,5,2,3.5,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (62,5.9,3,4.2,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (63,6,2.2,4,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (64,6.1,2.9,4.7,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (65,5.6,2.9,3.6,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (66,6.7,3.1,4.4,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (67,5.6,3,4.5,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (68,5.8,2.7,4.1,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (69,6.2,2.2,4.5,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (70,5.6,2.5,3.9,1.1,'Iris-versicolor');
INSERT INTO IRIS VALUES (71,5.9,3.2,4.8,1.8,'Iris-versicolor');
INSERT INTO IRIS VALUES (72,6.1,2.8,4,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (73,6.3,2.5,4.9,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (74,6.1,2.8,4.7,1.2,'Iris-versicolor');
INSERT INTO IRIS VALUES (75,6.4,2.9,4.3,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (76,6.6,3,4.4,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (77,6.8,2.8,4.8,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (78,6.7,3,5,1.7,'Iris-versicolor');
INSERT INTO IRIS VALUES (79,6,2.9,4.5,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (80,5.7,2.6,3.5,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (81,5.5,2.4,3.8,1.1,'Iris-versicolor');
INSERT INTO IRIS VALUES (82,5.5,2.4,3.7,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (83,5.8,2.7,3.9,1.2,'Iris-versicolor');
INSERT INTO IRIS VALUES (84,6,2.7,5.1,1.6,'Iris-versicolor');
INSERT INTO IRIS VALUES (85,5.4,3,4.5,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (86,6,3.4,4.5,1.6,'Iris-versicolor');
INSERT INTO IRIS VALUES (87,6.7,3.1,4.7,1.5,'Iris-versicolor');
INSERT INTO IRIS VALUES (88,6.3,2.3,4.4,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (89,5.6,3,4.1,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (90,5.5,2.5,4,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (91,5.5,2.6,4.4,1.2,'Iris-versicolor');
INSERT INTO IRIS VALUES (92,6.1,3,4.6,1.4,'Iris-versicolor');
INSERT INTO IRIS VALUES (93,5.8,2.6,4,1.2,'Iris-versicolor');
INSERT INTO IRIS VALUES (94,5,2.3,3.3,1,'Iris-versicolor');
INSERT INTO IRIS VALUES (95,5.6,2.7,4.2,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (96,5.7,3,4.2,1.2,'Iris-versicolor');
INSERT INTO IRIS VALUES (97,5.7,2.9,4.2,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (98,6.2,2.9,4.3,1.3,'Iris-versicolor');
INSERT INTO IRIS VALUES (99,5.1,2.5,3,1.1,'Iris-versicolor');
INSERT INTO IRIS VALUES (100,5.7,2.8,4.1,1.3,'Iris-versicolor');

INSERT INTO IRIS VALUES (101,6.3,3.3,6,2.5,'Iris-virginica');
INSERT INTO IRIS VALUES (102,5.8,2.7,5.1,1.9,'Iris-virginica');
INSERT INTO IRIS VALUES (103,7.1,3,5.9,2.1,'Iris-virginica');
INSERT INTO IRIS VALUES (104,6.3,2.9,5.6,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (105,6.5,3,5.8,2.2,'Iris-virginica');
INSERT INTO IRIS VALUES (106,7.6,3,6.6,2.1,'Iris-virginica');
INSERT INTO IRIS VALUES (107,4.9,2.5,4.5,1.7,'Iris-virginica');
INSERT INTO IRIS VALUES (108,7.3,2.9,6.3,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (109,6.7,2.5,5.8,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (110,7.2,3.6,6.1,2.5,'Iris-virginica');
INSERT INTO IRIS VALUES (111,6.5,3.2,5.1,2,'Iris-virginica');
INSERT INTO IRIS VALUES (112,6.4,2.7,5.3,1.9,'Iris-virginica');
INSERT INTO IRIS VALUES (113,6.8,3,5.5,2.1,'Iris-virginica');
INSERT INTO IRIS VALUES (114,5.7,2.5,5,2,'Iris-virginica');
INSERT INTO IRIS VALUES (115,5.8,2.8,5.1,2.4,'Iris-virginica');
INSERT INTO IRIS VALUES (116,6.4,3.2,5.3,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (117,6.5,3,5.5,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (118,7.7,3.8,6.7,2.2,'Iris-virginica');
INSERT INTO IRIS VALUES (119,7.7,2.6,6.9,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (120,6,2.2,5,1.5,'Iris-virginica');
INSERT INTO IRIS VALUES (121,6.9,3.2,5.7,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (122,5.6,2.8,4.9,2,'Iris-virginica');
INSERT INTO IRIS VALUES (123,7.7,2.8,6.7,2,'Iris-virginica');
INSERT INTO IRIS VALUES (124,6.3,2.7,4.9,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (125,6.7,3.3,5.7,2.1,'Iris-virginica');
INSERT INTO IRIS VALUES (126,7.2,3.2,6,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (127,6.2,2.8,4.8,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (128,6.1,3,4.9,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (129,6.4,2.8,5.6,2.1,'Iris-virginica');
INSERT INTO IRIS VALUES (130,7.2,3,5.8,1.6,'Iris-virginica');
INSERT INTO IRIS VALUES (131,7.4,2.8,6.1,1.9,'Iris-virginica');
INSERT INTO IRIS VALUES (132,7.9,3.8,6.4,2,'Iris-virginica');
INSERT INTO IRIS VALUES (133,6.4,2.8,5.6,2.2,'Iris-virginica');
INSERT INTO IRIS VALUES (134,6.3,2.8,5.1,1.5,'Iris-virginica');
INSERT INTO IRIS VALUES (135,6.1,2.6,5.6,1.4,'Iris-virginica');
INSERT INTO IRIS VALUES (136,7.7,3,6.1,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (137,6.3,3.4,5.6,2.4,'Iris-virginica');
INSERT INTO IRIS VALUES (138,6.4,3.1,5.5,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (139,6,3,4.8,1.8,'Iris-virginica');
INSERT INTO IRIS VALUES (140,6.9,3.1,5.4,2.1,'Iris-virginica');
INSERT INTO IRIS VALUES (141,6.7,3.1,5.6,2.4,'Iris-virginica');
INSERT INTO IRIS VALUES (142,6.9,3.1,5.1,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (143,5.8,2.7,5.1,1.9,'Iris-virginica');
INSERT INTO IRIS VALUES (144,6.8,3.2,5.9,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (145,6.7,3.3,5.7,2.5,'Iris-virginica');
INSERT INTO IRIS VALUES (146,6.7,3,5.2,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (147,6.3,2.5,5,1.9,'Iris-virginica');
INSERT INTO IRIS VALUES (148,6.5,3,5.2,2,'Iris-virginica');
INSERT INTO IRIS VALUES (149,6.2,3.4,5.4,2.3,'Iris-virginica');
INSERT INTO IRIS VALUES (150,5.9,3,5.1,1.8,'Iris-virginica');

COMMIT;

以下はデータを確認するための簡単なクエリです。

Enterキーを押すかクリックすると、画像がフルサイズで表示されます。
データベーステーブルとしてのIrisデータセット

初心者としてこのようなデータセットを視覚化するのに適している場合は、データセットを CSV ファイルとして/src/main/resources/Iris.csvの下に追加しました。

ステップ2: Tribuo MLコンポーネントの簡単な紹介

Tribuoは、データの取り込み、特徴量処理、学習、評価といった関心事を明確に分離する、少数のコア抽象化を基盤として構築されています。このアプリケーションでは、以下のコンポーネントが使用されています。

Javaインポートセクションにリストされている各コンポーネントを簡単に見てみましょう。Javadocもご確認ください。

import org.tribuo.DataSource;
import org.tribuo.Dataset;
import org.tribuo.Model;
import org.tribuo.MutableDataset;
import org.tribuo.Trainer;
import org.tribuo.classification.Label;
import org.tribuo.classification.LabelFactory;
import org.tribuo.classification.evaluation.LabelEvaluation;
import org.tribuo.classification.evaluation.LabelEvaluator;
import org.tribuo.classification.liblinear.LibLinearClassificationTrainer;
import org.tribuo.data.columnar.ResponseProcessor;
import org.tribuo.data.columnar.RowProcessor;
import org.tribuo.data.columnar.processors.field.DoubleFieldProcessor;
import org.tribuo.data.columnar.processors.response.FieldResponseProcessor;
import org.tribuo.data.sql.SQLDBConfig;
import org.tribuo.data.sql.SQLDataSource;
import org.tribuo.evaluation.TrainTestSplitter;

データソース
DataSource、まだメモリにロードされていない機械学習サンプルのソースを表します。このアプリケーションでは、データソースはJDBC経由で実行されるSQLクエリによってサポートされており、Tribuoはデータベースから直接サンプルをストリーミングできます。

データセット
Datasetは、aから派生した例のメモリ内コレクションですDataSource。特徴ベクトルとそれに関連する出力の両方が含まれており、トレーニングと評価に使用される構造となっています。

MutableDataset
変更可能な（変更可能な）MutableDatasetの具体的な実装ですDataset。ここでは、スプリッターによって生成されたトレーニングセットとテストセットを具体化するために使用されています。

モデル
Modelは学習の結果です。学習したパラメータをカプセル化し、新しい例に対する予測機能を提供します。このアプリケーションでは、モデルはアヤメの花の分類ラベルを予測します。

トレーナー
Trainer、データセットからモデルを作成するために使用される学習アルゴリズムを定義します。トレーニング中に最適化ロジックを適用する役割を担います。

ラベルは
Label、Tribuo の分類タスクの出力タイプを表します。各例は、アヤメの種など、単一のカテゴリラベルに関連付けられています。

LabelFactory
インスタンスLabelFactoryの作成と管理を担当しLabel、データセット全体の一貫性と効率的な再利用を保証します。

LibLinearClassificationTrainer
このトレーナーは、LibLinear アルゴリズムを Tribuo に統合し、マルチクラス分類問題に適した高速で確立された線形分類器を提供します。

ResponseProcessor
ResponseProcessor、生データから出力値を抽出する方法を定義します。この場合、SPECIESSQL結果セットの列をTribuoLabelオブジェクトにマッピングします。

RowProcessor 
RowProcessor,特徴抽出と応答処理を組み合わせて、生の入力データの各行を Tribuo の例に変換する方法の座標です。

DoubleFieldProcessor
このフィールド プロセッサは、数値 SQL 列を、Tribuo がトレーニングおよび予測中に使用できる二重値の特徴に変換します。

FieldResponseProcessor 
FieldResponseProcessor、データ ソース内の特定の列から分類ラベルを抽出し、必要に応じてデフォルト値を割り当てます。

SQLDBConfig 
SQLDBConfig、データベース URL、資格情報、オプションのプロパティなどの JDBC 接続の詳細をカプセル化し、SQL ベースのデータ ソース用のクリーンな構成オブジェクトを提供します。

SQLDataSource
SQLDataSource、SQL クエリを実行し、構成された行および応答プロセッサを使用して各結果行を機械学習の例に変換するTribuo DataSourceの具体的な実装です。

TrainTestSplitter
このユーティリティは、DataSource設定可能な比率とランダム シードを使用して、トレーニング パーティションとテスト パーティションを別々に分割します。

ステップ3: Tribuo MLサンプルアプリを理解する

アプリケーションのエントリポイントはクラスmain内のメソッドですIrisClassification。このメソッドは完全な機械学習パイプラインを定義します。

  • JDBC ベースの Tribuo DataSource を作成します。
  • データをトレーニング データセットとテスト データセットに分割します。
  • 分類モデルをトレーニングします。
  • 両方のデータセットでモデルを評価します。

ログはプロセス全体で使用され、各ステージを観察可能にします。これは、標準の Java アプリケーション内で機械学習ワークフローを実行する場合に特に役立ちます。

JDBC接続の詳細はコード内で明示的に定義され、認証情報は環境変数から読み取られます。これにより、シンプルな構成モデルを維持しながら、機密情報をソースコードから排除できます。

ステップ4: JDBCベースのTribuoデータソースを作成する

機械学習パイプラインは、データベースからデータを読み取る方法を定義することから始まります。SQLクエリは、IRISテーブルから4つの数値的なアイリス特徴と種ラベルを選択します。

SQLDBConfigオブジェクトはJDBC URLおよび資格証明を保持し、RowProcessorは各列の解釈方法を定義します。数値列は機能usingDoubleFieldProcessorにマップされ、種列はFieldResponseProcessorを使用して分類ラベルにマップされます。


最後に、これらのコンポーネントは、リレーショナル・データベースとTribuoの学習パイプラインの間のブリッジとして機能するanSQLDataSourceにアセンブルされます。

`  private static DataSource<Label> createJdbcDatasource() throws SQLException {
    // Create SQLDataSource using JDBC connection details
    String sqlQuery = "SELECT SEPALLENGTHCM, SEPALWIDTHCM, PETALLENGTHCM, PETALWIDTHCM, SPECIES FROM IRIS";
    String jdbcUrl = "jdbc:oracle:thin:@localhost:1521/FREEPDB1";
    String username = System.getenv("DB_USERNAME");
    String password = System.getenv("DB_PASSWORD");
    SQLDBConfig dbConfig = new SQLDBConfig(jdbcUrl, username, password, java.util.Collections.emptyMap());

    // Create RowProcessor to handle the data transformation
    LabelFactory labelFactory = new LabelFactory();
    ResponseProcessor<Label> responseProcessor = new FieldResponseProcessor<>("SPECIES", "UNKNOWN", labelFactory);
    RowProcessor<Label> rowProcessor = new RowProcessor.Builder<Label>()
        .addFieldProcessor(new DoubleFieldProcessor("SEPALLENGTHCM"))
        .addFieldProcessor(new DoubleFieldProcessor("SEPALWIDTHCM"))
        .addFieldProcessor(new DoubleFieldProcessor("PETALLENGTHCM"))
        .addFieldProcessor(new DoubleFieldProcessor("PETALWIDTHCM")).build(responseProcessor);

    DataSource<Label> dataSource = new SQLDataSource<>(sqlQuery, dbConfig, labelFactory, rowProcessor, true);
    return dataSource;
  }

ステップ4: データセットをトレーニングセットとテストセットに分割する

データソースが定義されると、アプリケーションはを使用してTrainTestSplitterデータをトレーニング用とテスト用のパーティションに分割します。再現性を確保するために、固定のランダムシードを用いて70/30の割合で分割されます。

各パーティションは としてマテリアライズされMutableDataset、アプリケーションはデータセットのサイズ、特徴量数、利用可能なクラスラベルなどのプロパティを検査できます。この段階でログを記録することで、使用されているデータの構造に関する即時のフィードバックが提供されます。

  private static Dataset<Label>[] splitDataSet(DataSource<Label> dataSource) {
    // Split the dataset into training (70%) and testing (30%)
    TrainTestSplitter<Label> splitter = new TrainTestSplitter<>(dataSource, 0.7, 1234L);
    Dataset<Label> trainSet = new MutableDataset<>(splitter.getTrain());
    Dataset<Label> testSet = new MutableDataset<>(splitter.getTest());

    // Log dataset information
    logger.info(String.format("Train Size: %d, Features: %d, Classes: %s", trainSet.size(),
        trainSet.getFeatureMap().size(), trainSet.getOutputInfo().getDomain()));

    logger.info(String.format("Test Size: %d, Features: %d, Classes: %s", testSet.size(),
        testSet.getFeatureMap().size(), testSet.getOutputInfo().getDomain()));

    @SuppressWarnings("unchecked")
    Dataset<Label>[] result = new Dataset[] { trainSet, testSet };
    return result;
  }

ステップ5: 分類モデルをトレーニングする

トレーニングは LibLinearClassificationTrainerを使用して実行されます。トレーナーはトレーニングデータセットを消費し、Model<Label>インスタンスを生成します。

このステップは学習プロセス全体をカプセル化します。アプリケーションの観点から見ると、トレーニングは単一のメソッド呼び出しであるため、堅牢な機械学習アルゴリズムを活用しながらコードを簡潔に保つことができます。

  private static Model<Label> trainLibLinearModel(Dataset<Label> trainSet) {
    // Train the model using LibLinear
    Trainer<Label> trainer = new LibLinearClassificationTrainer();
    logger.info("Training the model...");
    Model<Label> model = trainer.train(trainSet);
    return model;
  }

ステップ6: トレーニング済みモデルを評価する

モデル評価は LabelEvaluatorを用いて行われます。LabelEvaluation評価器はトレーニングデータセットとテストデータセットの両方に適用され、それぞれに対して結果を生成します。アプリケーションは両方の評価の精度と混同行列を記録します。

  private static void evaluateLibLinearModel(Model<Label> model, Dataset<Label> trainSet, Dataset<Label> testSet) {
    // Evaluate model on train and test sets
    LabelEvaluator evaluator = new LabelEvaluator();

    logger.info("Evaluating on train set...");
    LabelEvaluation trainEval = evaluator.evaluate(model, trainSet);
    logger.log(Level.INFO, "Train Accuracy: {0}", trainEval.accuracy());
    logger.log(Level.INFO, "Train Confusion Matrix:\n{0}", trainEval.getConfusionMatrix());

    logger.info("Evaluating on test set...");
    LabelEvaluation testEval = evaluator.evaluate(model, testSet);
    logger.log(Level.INFO, "Test Accuracy: {0}", testEval.accuracy());
    logger.log(Level.INFO, "Test Confusion Matrix:\n{0}", testEval.getConfusionMatrix());
  }

以下に完全なコードサンプルを示します。

package com.oracle.dev.jdbc;

import java.sql.SQLException;
import java.util.logging.Level;
import java.util.logging.Logger;

import org.tribuo.DataSource;
import org.tribuo.Dataset;
import org.tribuo.Model;
import org.tribuo.MutableDataset;
import org.tribuo.Trainer;
import org.tribuo.classification.Label;
import org.tribuo.classification.LabelFactory;
import org.tribuo.classification.evaluation.LabelEvaluation;
import org.tribuo.classification.evaluation.LabelEvaluator;
import org.tribuo.classification.liblinear.LibLinearClassificationTrainer;
import org.tribuo.data.columnar.ResponseProcessor;
import org.tribuo.data.columnar.RowProcessor;
import org.tribuo.data.columnar.processors.field.DoubleFieldProcessor;
import org.tribuo.data.columnar.processors.response.FieldResponseProcessor;
import org.tribuo.data.sql.SQLDBConfig;
import org.tribuo.data.sql.SQLDataSource;
import org.tribuo.evaluation.TrainTestSplitter;

public class IrisClassification {

  private static final Logger logger = Logger.getLogger(IrisClassification.class.getName());

  public static void main(String[] args) throws Exception {

    logger.info("Classification with the Tribuo Java library, JDBC and the Iris dataset");

    try {
      // Create JDBC DataSource
      DataSource<Label> dataSource = createJdbcDatasource();

      // Split dataset and get train/test sets
      Dataset<Label>[] datasets = splitDataSet(dataSource);
      Dataset<Label> trainSet = datasets[0];
      Dataset<Label> testSet = datasets[1];

      // Train the model
      Model<Label> model = trainLibLinearModel(trainSet);

      // Evaluate the model
      evaluateLibLinearModel(model, trainSet, testSet);

    } catch (SQLException e) {
      logger.log(Level.SEVERE, "Database connection error: " + e.getMessage(), e);
      throw e;
    }
  }

  private static DataSource<Label> createJdbcDatasource() throws SQLException {
    // Create SQLDataSource using JDBC connection details
    String sqlQuery = "SELECT SEPALLENGTHCM, SEPALWIDTHCM, PETALLENGTHCM, PETALWIDTHCM, SPECIES FROM IRIS";
    String jdbcUrl = "jdbc:oracle:thin:@localhost:1521/FREEPDB1";
    String username = System.getenv("DB_USERNAME");
    String password = System.getenv("DB_PASSWORD");
    SQLDBConfig dbConfig = new SQLDBConfig(jdbcUrl, username, password, java.util.Collections.emptyMap());

    // Create RowProcessor to handle the data transformation
    LabelFactory labelFactory = new LabelFactory();
    ResponseProcessor<Label> responseProcessor = new FieldResponseProcessor<>("SPECIES", "UNKNOWN", labelFactory);
    RowProcessor<Label> rowProcessor = new RowProcessor.Builder<Label>()
        .addFieldProcessor(new DoubleFieldProcessor("SEPALLENGTHCM"))
        .addFieldProcessor(new DoubleFieldProcessor("SEPALWIDTHCM"))
        .addFieldProcessor(new DoubleFieldProcessor("PETALLENGTHCM"))
        .addFieldProcessor(new DoubleFieldProcessor("PETALWIDTHCM")).build(responseProcessor);

    DataSource<Label> dataSource = new SQLDataSource<>(sqlQuery, dbConfig, labelFactory, rowProcessor, true);
    return dataSource;
  }

  private static Dataset<Label>[] splitDataSet(DataSource<Label> dataSource) {
    // Split the dataset into training (70%) and testing (30%)
    TrainTestSplitter<Label> splitter = new TrainTestSplitter<>(dataSource, 0.7, 1234L);
    Dataset<Label> trainSet = new MutableDataset<>(splitter.getTrain());
    Dataset<Label> testSet = new MutableDataset<>(splitter.getTest());

    // Log dataset information
    logger.info(String.format("Train Size: %d, Features: %d, Classes: %s", trainSet.size(),
        trainSet.getFeatureMap().size(), trainSet.getOutputInfo().getDomain()));

    logger.info(String.format("Test Size: %d, Features: %d, Classes: %s", testSet.size(),
        testSet.getFeatureMap().size(), testSet.getOutputInfo().getDomain()));

    @SuppressWarnings("unchecked")
    Dataset<Label>[] result = new Dataset[] { trainSet, testSet };
    return result;
  }

  private static Model<Label> trainLibLinearModel(Dataset<Label> trainSet) {
    // Train the model using LibLinear
    Trainer<Label> trainer = new LibLinearClassificationTrainer();
    logger.info("Training the model...");
    Model<Label> model = trainer.train(trainSet);
    return model;
  }

  private static void evaluateLibLinearModel(Model<Label> model, Dataset<Label> trainSet, Dataset<Label> testSet) {
    // Evaluate model on train and test sets
    LabelEvaluator evaluator = new LabelEvaluator();

    logger.info("Evaluating on train set...");
    LabelEvaluation trainEval = evaluator.evaluate(model, trainSet);
    logger.log(Level.INFO, "Train Accuracy: {0}", trainEval.accuracy());
    logger.log(Level.INFO, "Train Confusion Matrix:\n{0}", trainEval.getConfusionMatrix());

    logger.info("Evaluating on test set...");
    LabelEvaluation testEval = evaluator.evaluate(model, testSet);
    logger.log(Level.INFO, "Test Accuracy: {0}", testEval.accuracy());
    logger.log(Level.INFO, "Test Confusion Matrix:\n{0}", testEval.getConfusionMatrix());
  }
}

ステップ7: Tribuo機械学習アプリを実行する

アプリケーションが実行されると、エンドツーエンドで実行されます。

  • データは、JDBC 経由で Oracle データベースからロードされます。
  • 特徴とラベルが抽出され、処理されます。
  • 分類モデルがトレーニングされます。
  • モデルが評価され、結果が記録されます。

完全なコード サンプルを含む Maven プロジェクトをGitHub から入手することもできます。

まとめ

これで完了です。Oracle Labs が作成した強力な Java ライブラリである Tribuo を使用して機械学習を実装する方法を学びました。

Tribuoは、Java開発者が期待するレベルの型安全性と構造を機械学習に提供します。SQLDataSourceを利用することで、Oracleデータベース内のデータを中間形式にエクスポートすることなく、直接トレーニング済みモデルに移行できます。

さらに、Javaでの機械学習は、使い慣れたツールやアーキテクチャを放棄する必要がないという結論に達しました。JDBCとTribuoを組み合わせることで、明確で型安全なAPIを用いてリレーショナルデータを直接操作する、エンドツーエンドの機械学習パイプラインを構築できます。

エコシステムを離れずに機械学習を探求したいと考えている Java 開発者にとって、Tribuo は実用的で取り組みやすい道筋を提供します。

このブログ投稿をお楽しみいただけたら幸いです。今後もご期待ください。

参考文献

Oracle Developers と Oracle OCI Free Tier

Slack の Oracle Developers チャンネルに参加して、Java、GenAI、Agentic AI、JDK、JDBC、GraalVM、Micronaut、Spring Boot、Helidon、Quarkus、Reactive Streams、クラウド、DevOps、SRE、IaC などのトピックについて話し合ってみましょう。

Oracle Cloudでアプリケーションを無料で構築、テスト、デプロイしましょう！OCI Cloud Free Tierにぜひアクセスしてください！

コメント

コメントを投稿

このブログの人気の投稿

Oracle Database 19cサポート・タイムラインの重要な更新 (2024/11/20)

イメージ
Oracle Database 19cサポート・タイムラインの重要な更新 (2024/11/20) https://mikedietrichde.com/2024/11/20/important-update-to-oracle-database-19c-support-timelines/ 長い沈黙は、私が隠れているという意味ではありません。つまり、今はとても忙しいということです。そして、より少ない旅行で、私はあなたのコメントにもブログと返信するより多くの時間を持っていることを願っています。それでも、Oracle Database 19cサポート・タイムラインの非常に重要な更新について説明します。 * 更新された内容 2024年11月19日現在、Oracle Database 19cのサポート・タイムラインが調整されています。 MOSノート: 742060.1 – 現在のデータベース・リリースのリリース・スケジュールを見ると、新しい日付が表示されます。 Premier Support、2029年12月31日まで 2030年1月1日から2032年12月31日までの拡張サポート 2033年1月1日から2034年12月31日までのアップグレード・サポート これは知ることがとても大切です。 他のリリースの更新はありますか。 MOSノートの終わりにある変更ログ: 742060.1 – 現在のデータベース・リリースのリリース・スケジュールでは、Oracle Database 21cの最新の更新も確認できます。このリリースのPremier Support期間は、2027年7月31日まで延長されました。 また、Oracle Database 23aiのパッチ適用終了日は2032年12月31日に設定されています。 Lifetime Support Policy 更新は、Oracle Technology Productsの Oracle Lifetime Support Policy (6ページ)でも確認できます。 From: Oracle Lifetime Support Policy for Oracle Technology Product s – page 6 – Nov 19, 2024 特に、次の表に示す制限事項に注意してください。 Oracle Database 1...
続きを読む

ミリ秒の問題: BCCグループとOCIが市場データ・パフォーマンスを再定義する方法(AWSに対するベンチマークを使用) (2025/11/13)

イメージ
ミリ秒の問題: BCCグループとOCIが市場データ・パフォーマンスを再定義する方法(AWSに対するベンチマークを使用) (2025/11/13) https://blogs.oracle.com/cloud-infrastructure/post/milliseconds-matter-bcc-group-and-oci-vs-aws 投稿者： Steven Riley | Senior Cloud Architect William Bierds | Business Analyst and Systems Engineer - BCC Group International Travis Liles | Master Principal Cloud Architect Puru Patel | Cloud Architect - FSI これは、BCC グループと Oracle Cloud Infrastructure (OCI) 間の市場データ パートナーシップを紹介するブログ シリーズの第 2 部です。   はじめに 金融市場データアプリケーションは、トレーダー、金融機関、そして市場参加者が情報に基づいた意思決定を行えるよう、リアルタイムデータを提供することで、取引エコシステムにおいて重要な役割を果たしています。 前回のブログ で述べたように、取引環境において最適なパフォーマンスを確保するには、市場データを超低レイテンシかつ高い信頼性で配信する必要があります。 今日の急速に変化する金融市場において、クラウドは市場データ・アプリケーションにとって強力な推進力として台頭しています。適切なネットワークとインフラストラクチャがあれば、企業は実行時間の短縮、可用性の向上、そして堅牢なセキュリティを実現できます。しかし、企業によるクラウド導入は遅れており、ワークロードのクラウド移行計画を中止しているケースもあります。そこで、BCCグループとOracle Cloud Infrastructure（OCI）のパートナーシップが注目されています。 BCCグループは、主力市場データアプリケーションであるONE PlatformをOCI上に導入しました。このブログでは、以下の点について説明します。 このパートナーシップがなぜこれほど相乗効果をもたらすのかを探る OC...
続きを読む

OCIサービスを利用したWebサイトの作成 その4～Identity Cloud Serviceでサイトの一部を保護 (2021/12/30)

イメージ
OCIサービスを利用したWebサイトの作成 その4～Identity Cloud Serviceでサイトの一部を保護 (2021/12/30) https://blogs.oracle.com/cloudsecurity/post/using-oci-services-part-4 投稿者： Christopher Johnson 今回は、OCI Native Servicesを使って完全にサーバーレスでWebサイトをホスティングするシリーズの第4弾です。     パート1 では、OCI WAF + API Gateway + Functionを使用して、OCI Object Store Bucketから静的コンテンツを提供する基本的な方法を紹介しました。     パート2 では、バケットを（公開ではなく）非公開にし、Resource Prinicpalを使用して安全にアクセスする方法を紹介しました。     パート3 では、ハードコードされた設定を削除し、代わりにそれらの設定をアプリケーションに保存する方法を紹介しました。 パート4では、サイトの一部をログインの後ろに置いてみようと思っています。 この記事は、ちょっとした「フクロウの描き方」のようなものになりそうです。でも、コードを見ればきっと理解できるはずです! IDCSでアプリケーションを作成 注：OCI Identity Domains は、OCI の新規顧客に対して IDCS の機能を直ちに提供します。現在 IDCS を使用している顧客については、既存の IDCS ストライプは今後数ヶ月の間に OCI Identity Domains に移行される予定です。詳細については、OCI Identity Domainの ドキュメント を参照してください。この変更は、このブログで説明したセキュリティ・パターンに影響を与えるものではありません。このブログで IDCS に起因するセキュリティ機能は、OCI Identity Domainsでも提供されます。 まず最初に、サイトを表現するために IDCS で実際にアプリケーションを作成する必要があります。 IDCSコンソールを開き、「アプリケーション」に移動し、「作成」をクリックします。Functionアプリケーシ...
続きを読む