先说数据预处理这块。平时我们习惯用Python的pandas，但要是数据本来就存在MySQL里，直接用SQL处理反而更利索。比如用窗口函数做归一化，三行代码就能搞定：

还有更狠的，用CASE WHEN实现特征分桶，用日期函数提取时间特征，这些在简单建模时完全够用。最近做了个用户分层，直接用QUARTER函数把注册时间转成季度特征，结合购买频次做了个交叉分析，效果不比用sklearn的LabelEncoder差。

存储过程这块我折腾得最久。写过个特别长的存储过程，用游标循环遍历用户数据，计算每个用户的RFM指标。虽然运行效率比不上Spark，但好在数据不用导出，直接在数据库里就能生成特征表。后来发现还能用临时表存储中间结果，配合事务保证数据处理的一致性，这点比用Jupyter Notebook跑实验靠谱多了。

说到模型训练，MySQL确实没法跑深度学习，但线性回归这种基础算法还是能实现的。通过梯度下降的数学公式拆解，用用户定义变量存储参数，在WHILE循环里更新权重。有次我试着用这种方法预测房价，迭代2000次后损失函数基本收敛，虽然R²只有0.7左右，但对于纯SQL实现来说已经不错了。

最近在搞的集成学习才叫有意思。用UNION ALL把多个弱分类器的预测结果合并，然后通过投票机制确定最终分类。比如针对用户流失预测，分别用逻辑回归、决策规则和聚类算法生成三个预测结果，最后用CASE WHEN实现多数投票。在测试集上的准确率居然能达到82%，这效果真让我惊到了。

当然也有不少坑。最大的问题是性能瓶颈，数据集超过百万条记录就得拆分成多个子查询。有次忘记给临时表加索引，直接把测试环境跑崩了。后来学乖了，复杂的计算都放在凌晨跑，白天只做轻量级的预测推理。

现在我的工作流变成了这样：先用MySQL做快速实验验证想法，效果达标后再移植到Python环境优化。特别适合需要频繁对接业务系统的场景，毕竟直接在生产数据库里跑模型，省去了数据导来导去的麻烦。

不过要提醒的是，这种玩法只适合特定场景。数据量小、特征维度少、模型简单的情况下可以试试，真要搞大规模机器学习还是得上专业工具。但作为数据工程师，多掌握这种野路子有时候真能救急。最近我们团队就用这个思路快速验证了个用户画像项目，从开发到上线只用了两周。

你们在项目里试过用数据库直接搞机器学习吗？欢迎在评论区交流踩坑经验~