Input
InputTable: boston
id crim zn indus chas nox rm age dis rad tax ptratio black lstat medv --- ---- --- ----- ---- --- -- ---- --- --- ---- ------- ----- ----- ---- 399 38. 0. 18. 0. 1. 5. 100. 1. 24. 666. 20. 397. 31. 5. 406 68. 0. 18. 0. 1. 6. 100. 1. 24. 666. 20. 385. 23. 5. 401 25. 0. 18. 0. 1. 6. 100. 2. 24. 666. 20. 397. 27. 6. 400 10. 0. 18. 0. 1. 6. 78. 2. 24. 666. 20. 338. 30. 6. 416 18. 0. 18. 0. 1. 6. 100. 2. 24. 666. 20. 27. 29. 7. 386 17. 0. 18. 0. 1. 5. 98. 1. 24. 666. 20. 397. 31. 7. 490 0. 0. 28. 0. 1. 5. 98. 2. 4. 711. 20. 344. 24. 7. 415 46. 0. 18. 0. 1. 5. 100. 2. 24. 666. 20. 88. 37. 7. 388 23. 0. 18. 0. 1. 5. 90. 2. 24. 666. 20. 397. 32. 7. 402 14. 0. 18. 0. 1. 6. 100. 2. 24. 666. 20. 397. 20. 7. 491 0. 0. 28. 0. 1. 5. 98. 2. 4. 711. 20. 318. 30. 8. 439 14. 0. 18. 0. 1. 6. 88. 2. 24. 666. 20. 69. 34. 8. 426 16. 0. 18. 0. 1. 6. 95. 2. 24. 666. 20. 8. 24. 8. 404 25. 0. 18. 0. 1. 5. 96. 2. 24. 666. 20. 397. 20. 8. 398 8. 0. 18. 0. 1. 6. 99. 2. 24. 666. 20. 393. 20. 8. 420 12. 0. 18. 0. 1. 7. 76. 2. 24. 666. 20. 48. 23. 8.
SQL Call
CREATE MULTISET TABLE boston_predict AS ( SELECT * FROM XGBoostPredict ( ON boston AS InputTable PARTITION BY ANY ON xgboost_regression_model AS MODEL DIMENSION ORDER BY tree_id, iter, class_num USING IDColumn ('id') Accumulate ('medv') NumBoostedTrees ('1') ) AS dt ) WITH DATA;
Output
id medv prediction confidence_lower confidence_upper --- ---- ------------------ ---------------------- --------------------- 469 19 18.850557688833007 1.16142058584330E 001 2.60869095192330E 001 265 36 36.00875312883301 9.61504189683301E 000 6.24024643608330E 001 40 31 32.254564321464585 1.32190631519067E 001 5.12900654910225E 001 122 20 19.77229760288706 1.43425560040330E 001 2.52020392017411E 001 61 19 21.13847502392224 1.83864411702971E 001 2.38905088775473E 001 244 24 23.894667448833008 2.12445641496330E 001 2.65447707480330E 001 162 50 50.003928928833005 -3.82032687116698E 000 1.03828184728833E 002 387 10 10.997804435083008 -1.16299437726670E 001 3.36255526428330E 001 326 25 25.27121734883301 1.99230762456330E 001 3.06193584520330E 001 305 36 36.01755632883301 9.60659082483301E 000 6.24285218328330E 001 223 28 27.746776557404438 1.75465394054044E 001 3.79470137094044E 001 448 13 14.707177191690151 -6.50200413109847E-001 3.00645547964901E 001 183 38 38.014925728833006 7.68911620083300E 000 6.83407352568330E 001 101 28 28.369752234547292 1.69484827553473E 001 3.97910217137473E 001 488 21 22.184685479914588 2.14832241200345E 001 2.28861468397947E 001 19 20 18.548153496525316 1.07190894492022E 001 2.63772175438484E 001 366 28 28.060509068833007 1.72453561944330E 001 3.88756619432330E 001 427 10 9.990482428833008 -1.46116169111670E 001 3.45925817688330E 001 80 20 21.131775193464588 1.83666096721425E 001 2.38969407147867E 001 263 49 49.00818912883301 -2.86441666316699E 000 1.00880794920833E 002 ...