如果您愿意，可以选择使用Docker Image或使用PyPI在本地系统上安装MindSDB。但是，我们将在本教程中与Minds DB Cloud合作。

将MindSDB与MongoDB集成

MindSDB为我们提供了使用MongoApi与MongoDB集成的能力。我们可以按照给定的步骤来做到这一点。

打开您的MongoDB指南针。在左侧导航面板上，您将有一个新连接的选项。单击该选项，将为您提供连接的详细信息。

在URI部分中输入以下内容：

mongodb://cloud.mindsdb.com/

单击高级连接选项下拉列表。在这里，您的主机将被检测为MindSDB云。

在“身份验证”选项中，输入您的MindSDB用户名和密码。然后单击保存并连接，给您的连接一个名称并选择和颜色。

如果您成功创建了一个连接，则将显示一个类似于此的页面：

在此页面的底部面板中，您将看到Mongo Shell栏，放大并键入以下查询，然后单击Enter。

> use mindsdb
> show collections

如果您得到这样的结果，则意味着我们成功地将MindSDB与MongoDB集成在一起。现在，让我们转到我们将生成ML模型的教程的第二部分。

第2部分：生成ML模型

准备数据库

我们将准备我们的数据库，我们可以在其中运行查询并执行预测。在MindSDB云控制台上，单击左导航栏中的最后一个图标。您将看到一个“选择数据源”页面。我们可以添加各种数据源，但是，对于本教程，我们将使用.csv文件。

转到文件部分，然后单击导入文件。导入您的CSV文件，并为您的数据库表提供一个名称，其中将存储.csv文件的内容。单击保存并继续。

我们需要将数据导入到MongoDB数据库。我们可以为此目的使用databases.insertone（）命令。

要这样做，转到mongo shell并键入以下命令：

db.databases.insertOne({
    name: "gold_price", // database name
    engine: "mongodb", // database engine 
    connection_args: {
        "port": 27017, // default connection port
        "host": "mongodb+srv://readonly:6CKCDJFzLIxOtKhu@cluster0.uhsuhui.mongodb.net/test", // connection host
        "database": "gold_price" // database connection          
    }
});

单击Enter时，您必须收到以下答复：

{
  acknowledged: true,
  insertedId: ObjectId("63f87788011bd9118e88fa8e")
}

如果您得到了这样的响应，则意味着您的数据库已成功创建！

了解我们的问题陈述

我们之前看到，我们将使用此Kaggle dataset预测黄金价格。让我们仔细研究我们已经设置的数据库。我们的数据库由以下字段组成：

• 日期：日期。该领域没有时间戳。
• 价值：当时黄金的价格。

我们可以在MindSDB控制台中运行以下查询，以查看我们可以看到所有字段的数据库：

SELECT * FROM files.gold_price LIMIT 10;

这就是将显示的内容：

现在让我们了解我们要预测的内容。为我们提供了一个由各个字段组成的数据库，我们希望根据其功能预测黄金价格。我们将培训一种ML模型，该模型了解黄金价格如何根据功能变化。一旦我们培训了模型，我们就可以输入房屋的细节，而我们的ML模型将预测其黄金价格。

听起来像是一项艰巨的任务？让我们看看MindSDB如何在简单的查询中为我们做到这一点！

创建预测变量模型

现在我们的数据库已经准备好，我们可以继续创建我们的ML模型。如我们所见，预测变量模型基本上是一个受过训练的机器学习模型，可用于预测或预测称为目标变量或目标值的特定值。

转到mongo shell并键入以下命令：

db.predictors.insert({ name: "gold_price_predictor", predict: "Value", connection: "gold_price", "select_data_query": "db.gold_price.find()" });

这些参数是什么意思？

• 名称：MindSDB识别预测变量的名称
• 预测：数据库中的列的名称，我们要预测的值
• 连接：我们先前创建的名称是通过MindSDB标识连接
的名称
• select_data_query：这允许使用标准MongoDB查询在数据库中指定特定行。对于此示例，我们将使用所有行。

如果没有打ic，我们将成功完成查询。

{
  acknowledged: true,
  insertedIds: {
    '0': ObjectId("63f89055011bd9118e88fa8f")
  }
}

就是这样！我们已经通过单个查询创建并培训了机器学习模型！那是Mindsdb！

查询预测变量模型

我们可以通过在Mongo Shell中键入以下命令来查看我们的机器学习模型规格：

db.predictors.find({name:"gold_price_predictor"})

当我们按ENTER时，我们获得了预测模型的所有详细信息，例如其状态，准确性，目标值和错误。

{
  NAME: 'gold_price_predictor',
  ENGINE: 'lightwood',
  PROJECT: 'mindsdb',
  VERSION: 1,
  STATUS: 'complete',
  ACCURACY: 0.999,
  PREDICT: 'Value',
  UPDATE_STATUS: 'up_to_date',
  MINDSDB_VERSION: '23.2.4.0',
  ERROR: null,
  SELECT_DATA_QUERY: 'db.gold_price.find()',
  TRAINING_OPTIONS: "{'target': 'Value', 'using': {}}",
  TAG: null,
  CREATED_AT: 2023-02-24T10:24:21.748Z
}

现在，我们最终可以查询我们的ML模型以预测特定条目的目标值。

查询是：

db.gold_price_predictor.find({
Date: "2020-03-14"})

和lo，看见！我们的模型根据我们输入的属性预测黄金价格：

{
  Date: '2020-03-14',
  Value: 1626.129947757658,
  select_data_query: null,
  when_data: null,
  Value_original: null,
  Value_confidence: 0.99,
  Value_explain: '{"predicted_value": 1626.129947757658, "confidence": 0.99, "anomaly": null, "truth": null, "confidence_lower_bound": 1460.0741799353673, "confidence_upper_bound": 1792.185715579949}',
  Value_anomaly: null,
  Value_min: 1460.0741799353673,
  Value_max: 1792.185715579949
}

结论 ：

使用MindSDB，我们在数据库中成功创建并培训了机器学习模型，并解锁了生成数据库预测的能力。您可以访问MindsDB Documentation以了解Mindsdb的各种功能。

接下来是什么？

如果您喜欢跟随本教程，请确保注册免费的MindsDB Cloud account并继续探索！ Kaggle是找到类似数据集的绝佳资源，您可以在MindSDB的帮助下创建和培训自己的ML模型。您也可以在GitHub上检查它们。