Prediksi batch

Halaman ini menjelaskan cara menyediakan beberapa baris data ke AutoML Tables sekaligus, dan menerima prediksi untuk setiap baris.

Pengantar

Setelah membuat (melatih) model, Anda dapat membuat permintaan asinkron untuk sekumpulan prediksi menggunakan metode batchPredict. Anda memberikan data input ke metode batchPredict, dalam format tabel. Setiap baris memberikan nilai untuk fitur yang Anda latih model untuk digunakan. Metode batchPredict mengirim data tersebut ke model dan menampilkan prediksi untuk setiap baris data.

Model harus dilatih ulang setiap enam bulan agar dapat terus menyajikan prediksi.

Meminta prediksi batch

Untuk prediksi batch, tentukan sumber data dan tujuan hasil dalam tabel BigQuery atau file CSV di Cloud Storage. Anda tidak perlu menggunakan teknologi yang sama untuk sumber dan tujuan. Misalnya, Anda dapat menggunakan BigQuery untuk sumber data dan file CSV di Cloud Storage untuk tujuan hasil. Gunakan langkah-langkah yang sesuai dari dua tugas di bawah ini, bergantung pada kebutuhan Anda.

Sumber data Anda harus berisi data tabel yang mencakup semua kolom yang digunakan untuk melatih model. Anda dapat menyertakan kolom yang tidak ada dalam data pelatihan, atau yang ada dalam data pelatihan, tetapi dikecualikan dari penggunaan untuk pelatihan. Kolom tambahan ini disertakan dalam output prediksi, tetapi tidak digunakan untuk menghasilkan prediksi.

Menggunakan tabel BigQuery

Nama kolom dan jenis data data input harus cocok dengan data yang Anda gunakan dalam data pelatihan. Kolom dapat berada dalam urutan yang berbeda dari data pelatihan.

Persyaratan tabel BigQuery

  • Ukuran tabel sumber data BigQuery tidak boleh lebih dari 100 GB.
  • Anda harus menggunakan set data BigQuery multi-regional di lokasi US atau EU.
  • Jika tabel tersebut berada dalam project yang berbeda, Anda harus memberikan peran BigQuery Data Editor ke akun layanan AutoML Tables dalam project tersebut. Pelajari lebih lanjut.

Meminta prediksi batch

Konsol

  1. Buka halaman AutoML Tables di Konsol Google Cloud.

    Buka halaman AutoML Tables

  2. Pilih Model dan buka model yang ingin Anda gunakan.

  3. Pilih tab Pengujian & Penggunaan.

  4. Klik Prediksi batch.

  5. Untuk Set data input, pilih Tabel dari BigQuery dan berikan ID project, set data, dan tabel untuk sumber data Anda.

  6. Untuk Result, pilih project BigQuery, lalu masukkan project ID untuk tujuan hasil Anda.

  7. Jika Anda ingin melihat pengaruh setiap fitur terhadap prediksi, pilih Membuat tingkat kepentingan fitur.

    Menghasilkan nilai penting fitur akan meningkatkan waktu dan resource komputasi yang diperlukan untuk prediksi Anda. Tingkat kepentingan fitur lokal tidak tersedia dengan tujuan hasil Cloud Storage.

  8. Klik Kirim prediksi batch untuk meminta prediksi batch.

    Halaman prediksi batch AutoML Tables

REST

Anda meminta prediksi batch menggunakan metode models.batchPredict.

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

  • endpoint: automl.googleapis.com untuk lokasi global, dan eu-automl.googleapis.com untuk region Uni Eropa.
  • project-id: Project ID Google Cloud Anda.
  • location: lokasi untuk resource: us-central1 untuk Global atau eu untuk Uni Eropa.
  • model-id: ID model. Contoh, TBL543.
  • dataset-id: ID set data BigQuery tempat data prediksi berada.

  • table-id: ID tabel BigQuery tempat data prediksi berada.

    AutoML Tables membuat subfolder untuk hasil prediksi yang bernama prediction-<model_name>-<timestamp> dalam project-id.dataset-id.table-id.

Metode HTTP dan URL: 

POST https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:batchPredict

Isi JSON permintaan: 

{
  "inputConfig": {
    "bigquerySource": {
      "inputUri": "bq://project-id.dataset-id.table-id"
    },
  },
  "outputConfig": {
    "bigqueryDestination": {
      "outputUri": "bq://project-id"
    },
  },
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Simpan isi permintaan dalam file bernama request.json, lalu jalankan perintah berikut: 

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "x-goog-user-project: project-id" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:batchPredict"

PowerShell

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:batchPredict" | Select-Object -Expand Content
Prediksi batch adalah operasi yang berjalan lama. Anda dapat memeriksa status operasi atau menunggu operasi ditampilkan. Pelajari lebih lanjut.

Anda bisa mendapatkan nilai penting fitur lokal dengan menambahkan parameter feature_importance ke data permintaan. Untuk informasi selengkapnya, lihat Tingkat kepentingan fitur lokal.

Java

Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut. 

import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.automl.v1beta1.BatchPredictInputConfig;
import com.google.cloud.automl.v1beta1.BatchPredictOutputConfig;
import com.google.cloud.automl.v1beta1.BatchPredictRequest;
import com.google.cloud.automl.v1beta1.BatchPredictResult;
import com.google.cloud.automl.v1beta1.BigQueryDestination;
import com.google.cloud.automl.v1beta1.BigQuerySource;
import com.google.cloud.automl.v1beta1.ModelName;
import com.google.cloud.automl.v1beta1.OperationMetadata;
import com.google.cloud.automl.v1beta1.PredictionServiceClient;
import java.io.IOException;
import java.util.concurrent.ExecutionException;

abstract class TablesBatchPredictBigQuery {

  static void batchPredict() throws IOException, ExecutionException, InterruptedException {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "YOUR_PROJECT_ID";
    String modelId = "YOUR_MODEL_ID";
    String inputUri = "bq://YOUR_PROJECT_ID.bqDatasetID.bqTableId";
    String outputUri = "bq://YOUR_PROJECT_ID";
    batchPredict(projectId, modelId, inputUri, outputUri);
  }

  static void batchPredict(String projectId, String modelId, String inputUri, String outputUri)
      throws IOException, ExecutionException, InterruptedException {
    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (PredictionServiceClient client = PredictionServiceClient.create()) {
      // Get the full path of the model.
      ModelName name = ModelName.of(projectId, "us-central1", modelId);

      // Configure the source of the file from BigQuery
      BigQuerySource bigQuerySource = BigQuerySource.newBuilder().setInputUri(inputUri).build();
      BatchPredictInputConfig inputConfig =
          BatchPredictInputConfig.newBuilder().setBigquerySource(bigQuerySource).build();

      // Configure where to store the output in BigQuery
      BigQueryDestination bigQueryDestination =
          BigQueryDestination.newBuilder().setOutputUri(outputUri).build();
      BatchPredictOutputConfig outputConfig =
          BatchPredictOutputConfig.newBuilder().setBigqueryDestination(bigQueryDestination).build();

      // Build the request that will be sent to the API
      BatchPredictRequest request =
          BatchPredictRequest.newBuilder()
              .setName(name.toString())
              .setInputConfig(inputConfig)
              .setOutputConfig(outputConfig)
              .build();

      // Start an asynchronous request
      OperationFuture<BatchPredictResult, OperationMetadata> future =
          client.batchPredictAsync(request);

      System.out.println("Waiting for operation to complete...");
      future.get();
      System.out.println("Batch Prediction results saved to BigQuery.");
    }
  }
}

Node.js

Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut. 


/**
 * Demonstrates using the AutoML client to request prediction from
 * automl tables using bigQuery.
 * TODO(developer): Uncomment the following lines before running the sample.
 */
// const projectId = '[PROJECT_ID]' e.g., "my-gcloud-project";
// const computeRegion = '[REGION_NAME]' e.g., "us-central1";
// const modelId = '[MODEL_ID]' e.g., "TBL4704590352927948800";
// const inputUri = '[BIGQUERY_PATH]'
// e.g., "bq://<project_id>.<dataset_id>.<table_id>",
// `The Big Query URI containing the inputs`;
// const outputUri = '[BIGQUERY_PATH]' e.g., "bq://<project_id>",
// `The destination Big Query URI for storing outputs`;

const automl = require('@google-cloud/automl');

// Create client for prediction service.
const automlClient = new automl.v1beta1.PredictionServiceClient();

// Get the full path of the model.
const modelFullId = automlClient.modelPath(projectId, computeRegion, modelId);

async function batchPredict() {
  // Construct request
  // Get the Big Query input URI.
  const inputConfig = {
    bigquerySource: {
      inputUri: inputUri,
    },
  };

  // Get the Big Query output URI.
  const outputConfig = {
    bigqueryDestination: {
      outputUri: outputUri,
    },
  };

  const [, operation] = await automlClient.batchPredict({
    name: modelFullId,
    inputConfig: inputConfig,
    outputConfig: outputConfig,
  });

  // Get the latest state of long-running operation.
  console.log(`Operation name: ${operation.name}`);
}

batchPredict();

Python

Library klien untuk AutoML Tables menyertakan metode Python tambahan yang menyederhanakan penggunaan AutoML Tables API. Metode ini merujuk pada set data dan model berdasarkan nama, bukan ID. Nama set data dan model Anda harus unik. Untuk mengetahui informasi selengkapnya, lihat Referensi klien.

Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut. 

# TODO(developer): Uncomment and set the following variables
# project_id = 'PROJECT_ID_HERE'
# compute_region = 'COMPUTE_REGION_HERE'
# model_display_name = 'MODEL_DISPLAY_NAME_HERE'
# bq_input_uri = 'bq://my-project.my-dataset.my-table'
# bq_output_uri = 'bq://my-project'
# params = {}

from google.cloud import automl_v1beta1 as automl

client = automl.TablesClient(project=project_id, region=compute_region)

# Query model
response = client.batch_predict(
    bigquery_input_uri=bq_input_uri,
    bigquery_output_uri=bq_output_uri,
    model_display_name=model_display_name,
    params=params,
)
print("Making batch prediction... ")
# `response` is a async operation descriptor,
# you can register a callback for the operation to complete via `add_done_callback`:
# def callback(operation_future):
#   result = operation_future.result()
# response.add_done_callback(callback)
#
# or block the thread polling for the operation's results:
response.result()
# AutoML puts predictions in a newly generated dataset with a name by a mask "prediction_" + model_id + "_" + timestamp
# here's how to get the dataset name:
dataset_name = (
    response.metadata.batch_predict_details.output_info.bigquery_output_dataset
)

print(
    "Batch prediction complete.\nResults are in '{}' dataset.\n{}".format(
        dataset_name, response.metadata
    )
)

Menggunakan file CSV di Cloud Storage

Nama kolom dan jenis data data input harus cocok dengan data yang Anda gunakan dalam data pelatihan. Kolom dapat berada dalam urutan yang berbeda dari data pelatihan.

Persyaratan file CSV

  • Baris pertama sumber data harus berisi nama kolom.

  • Ukuran setiap file sumber data tidak boleh lebih dari 10 GB.

    Anda dapat menyertakan beberapa file, hingga jumlah maksimum 100 GB.

  • Bucket Cloud Storage harus sesuai dengan persyaratan bucket.

  • Jika bucket Cloud Storage berada di project yang berbeda dengan tempat Anda menggunakan AutoML Tables, Anda harus memberikan peran Storage Object Creator ke akun layanan AutoML Tables dalam project tersebut. Pelajari lebih lanjut.

Konsol

  1. Buka halaman AutoML Tables di Konsol Google Cloud.

    Buka halaman AutoML Tables

  2. Pilih Model dan buka model yang ingin Anda gunakan.

  3. Pilih tab Pengujian & Penggunaan.

  4. Klik Prediksi batch.

  5. Untuk Set data input, pilih CSV dari Cloud Storage dan berikan URI bucket untuk sumber data Anda.

  6. Untuk Result, pilih Cloud Storage bucket dan berikan URI bucket untuk bucket tujuan Anda.

  7. Jika Anda ingin melihat pengaruh setiap fitur terhadap prediksi, pilih Membuat tingkat kepentingan fitur.

    Menghasilkan nilai penting fitur akan meningkatkan waktu dan resource komputasi yang diperlukan untuk prediksi Anda. Tingkat kepentingan fitur lokal tidak tersedia dengan tujuan hasil Cloud Storage.

  8. Klik Kirim prediksi batch untuk meminta prediksi batch.

    Halaman prediksi batch AutoML Tables

REST

Anda meminta prediksi batch menggunakan metode models.batchPredict.

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

  • endpoint: automl.googleapis.com untuk lokasi global, dan eu-automl.googleapis.com untuk region Uni Eropa.
  • project-id: Project ID Google Cloud Anda.
  • location: lokasi untuk resource: us-central1 untuk Global atau eu untuk Uni Eropa.
  • model-id: ID model. Contoh, TBL543.
  • input-bucket-name: nama bucket Cloud Storage tempat data prediksi berada.
  • input-directory-name: nama direktori Cloud Storage tempat data prediksi berada.
  • object-name: nama objek Cloud Storage tempat data prediksi berada.
  • output-bucket-name: nama bucket Cloud Storage untuk hasil prediksi.
  • output-directory-name: nama direktori Cloud Storage untuk hasil prediksi.

    AutoML Tables membuat subfolder untuk hasil prediksi yang bernama prediction-<model_name>-<timestamp> dalam gs://output-bucket-name/output-directory-name. Anda harus memiliki izin tulis ke jalur ini.

Metode HTTP dan URL: 

POST https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:batchPredict

Isi JSON permintaan: 

{
  "inputConfig": {
    "gcsSource": {
      "inputUris": [
        "gs://input-bucket-name/input-directory-name/object-name.csv"
      ]
    },
  },
  "outputConfig": {
    "gcsDestination": {
      "outputUriPrefix": "gs://output-bucket-name/output-directory-name"
     },
  },
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Simpan isi permintaan dalam file bernama request.json, lalu jalankan perintah berikut: 

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth print-access-token)" \
    -H "x-goog-user-project: project-id" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:batchPredict"

PowerShell

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut: 

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-id" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://endpoint/v1beta1/projects/project-id/locations/location/models/model-id:batchPredict" | Select-Object -Expand Content
Prediksi batch adalah operasi yang berjalan lama. Anda dapat memeriksa status operasi atau menunggu operasi ditampilkan. Pelajari lebih lanjut.

Anda bisa mendapatkan nilai penting fitur lokal dengan menambahkan parameter feature_importance ke data permintaan. Untuk informasi selengkapnya, lihat Tingkat kepentingan fitur lokal.

Java

Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut. 

import com.google.api.gax.longrunning.OperationFuture;
import com.google.cloud.automl.v1beta1.BatchPredictInputConfig;
import com.google.cloud.automl.v1beta1.BatchPredictOutputConfig;
import com.google.cloud.automl.v1beta1.BatchPredictRequest;
import com.google.cloud.automl.v1beta1.BatchPredictResult;
import com.google.cloud.automl.v1beta1.GcsDestination;
import com.google.cloud.automl.v1beta1.GcsSource;
import com.google.cloud.automl.v1beta1.ModelName;
import com.google.cloud.automl.v1beta1.OperationMetadata;
import com.google.cloud.automl.v1beta1.PredictionServiceClient;
import java.io.IOException;
import java.util.concurrent.ExecutionException;

abstract class BatchPredict {

  static void batchPredict() throws IOException, ExecutionException, InterruptedException {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "YOUR_PROJECT_ID";
    String modelId = "YOUR_MODEL_ID";
    String inputUri = "gs://YOUR_BUCKET_ID/path_to_your_input_csv_or_jsonl";
    String outputUri = "gs://YOUR_BUCKET_ID/path_to_save_results/";
    batchPredict(projectId, modelId, inputUri, outputUri);
  }

  static void batchPredict(String projectId, String modelId, String inputUri, String outputUri)
      throws IOException, ExecutionException, InterruptedException {
    // Initialize client that will be used to send requests. This client only needs to be created
    // once, and can be reused for multiple requests. After completing all of your requests, call
    // the "close" method on the client to safely clean up any remaining background resources.
    try (PredictionServiceClient client = PredictionServiceClient.create()) {
      // Get the full path of the model.
      ModelName name = ModelName.of(projectId, "us-central1", modelId);

      // Configure the source of the file from a GCS bucket
      GcsSource gcsSource = GcsSource.newBuilder().addInputUris(inputUri).build();
      BatchPredictInputConfig inputConfig =
          BatchPredictInputConfig.newBuilder().setGcsSource(gcsSource).build();

      // Configure where to store the output in a GCS bucket
      GcsDestination gcsDestination =
          GcsDestination.newBuilder().setOutputUriPrefix(outputUri).build();
      BatchPredictOutputConfig outputConfig =
          BatchPredictOutputConfig.newBuilder().setGcsDestination(gcsDestination).build();

      // Build the request that will be sent to the API
      BatchPredictRequest request =
          BatchPredictRequest.newBuilder()
              .setName(name.toString())
              .setInputConfig(inputConfig)
              .setOutputConfig(outputConfig)
              .build();

      // Start an asynchronous request
      OperationFuture<BatchPredictResult, OperationMetadata> future =
          client.batchPredictAsync(request);

      System.out.println("Waiting for operation to complete...");
      future.get();
      System.out.println("Batch Prediction results saved to specified Cloud Storage bucket.");
    }
  }
}

Node.js

Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut. 


/**
 * Demonstrates using the AutoML client to request prediction from
 * automl tables using GCS.
 * TODO(developer): Uncomment the following lines before running the sample.
 */
// const projectId = '[PROJECT_ID]' e.g., "my-gcloud-project";
// const computeRegion = '[REGION_NAME]' e.g., "us-central1";
// const modelId = '[MODEL_ID]' e.g., "TBL4704590352927948800";
// const inputUri = '[GCS_PATH]' e.g., "gs://<bucket-name>/<csv file>",
// `The Google Cloud Storage URI containing the inputs`;
// const outputUriPrefix = '[GCS_PATH]'
// e.g., "gs://<bucket-name>/<folder-name>",
// `The destination Google Cloud Storage URI for storing outputs`;

const automl = require('@google-cloud/automl');

// Create client for prediction service.
const automlClient = new automl.v1beta1.PredictionServiceClient();

// Get the full path of the model.
const modelFullId = automlClient.modelPath(projectId, computeRegion, modelId);

async function batchPredict() {
  // Construct request
  const inputConfig = {
    gcsSource: {
      inputUris: [inputUri],
    },
  };

  // Get the Google Cloud Storage output URI.
  const outputConfig = {
    gcsDestination: {
      outputUriPrefix: outputUriPrefix,
    },
  };

  const [, operation] = await automlClient.batchPredict({
    name: modelFullId,
    inputConfig: inputConfig,
    outputConfig: outputConfig,
  });

  // Get the latest state of long-running operation.
  console.log(`Operation name: ${operation.name}`);
  return operation;
}

batchPredict();

Python

Library klien untuk AutoML Tables menyertakan metode Python tambahan yang menyederhanakan penggunaan AutoML Tables API. Metode ini merujuk pada set data dan model berdasarkan nama, bukan ID. Nama set data dan model Anda harus unik. Untuk mengetahui informasi selengkapnya, lihat Referensi klien.

Jika resource Anda berada di region Uni Eropa, Anda harus menetapkan endpoint secara eksplisit. Pelajari lebih lanjut. 

# TODO(developer): Uncomment and set the following variables
# project_id = 'PROJECT_ID_HERE'
# compute_region = 'COMPUTE_REGION_HERE'
# model_display_name = 'MODEL_DISPLAY_NAME_HERE'
# gcs_input_uri = 'gs://YOUR_BUCKET_ID/path_to_your_input_csv'
# gcs_output_uri = 'gs://YOUR_BUCKET_ID/path_to_save_results/'
# params = {}

from google.cloud import automl_v1beta1 as automl

client = automl.TablesClient(project=project_id, region=compute_region)

# Query model
response = client.batch_predict(
    gcs_input_uris=gcs_input_uri,
    gcs_output_uri_prefix=gcs_output_uri,
    model_display_name=model_display_name,
    params=params,
)
print("Making batch prediction... ")
# `response` is a async operation descriptor,
# you can register a callback for the operation to complete via `add_done_callback`:
# def callback(operation_future):
#   result = operation_future.result()
# response.add_done_callback(callback)
#
# or block the thread polling for the operation's results:
response.result()

print(f"Batch prediction complete.\n{response.metadata}")

Mengambil hasil Anda

Mengambil hasil prediksi di BigQuery

Jika Anda menentukan BigQuery sebagai tujuan output, hasil permintaan prediksi batch akan ditampilkan sebagai set data baru di project BigQuery yang Anda tentukan. Set data BigQuery adalah nama model Anda yang diawali dengan "prediksi_" dan ditambah dengan stempel waktu saat tugas prediksi dimulai. Anda dapat menemukan nama set data BigQuery dalam Prediksi terbaru di halaman Prediksi batch di tab Test & Use untuk model Anda.

Set data BigQuery berisi dua tabel: predictions dan errors. Tabel errors memiliki satu baris untuk setiap baris dalam permintaan prediksi Anda, yang mana AutoML Tables tidak dapat menampilkan prediksi (misalnya, jika fitur non-nullable bernilai null). Tabel predictions berisi satu baris untuk setiap prediksi yang ditampilkan.

Dalam tabel predictions, Tabel AutoML menampilkan data prediksi Anda, dan membuat kolom baru untuk hasil prediksi dengan menambahkan "Predicted_" di awal nama kolom target. Kolom hasil prediksi berisi struktur BigQuery bertingkat yang berisi hasil prediksi.

Untuk mengambil hasil prediksi, Anda dapat menggunakan kueri di konsol BigQuery. Format kueri bergantung pada jenis model Anda.

Klasifikasi biner:

SELECT predicted_<target-column-name>[OFFSET(0)].tables AS value_1,
predicted_<target-column-name>[OFFSET(1)].tables AS value_2
FROM <bq-dataset-name>.predictions

"value_1" dan "value_2", adalah penanda tempat, Anda dapat menggantinya dengan nilai target atau yang setara.

Klasifikasi multi-kelas:

SELECT predicted_<target-column-name>[OFFSET(0)].tables AS value_1,
predicted_<target-column-name>[OFFSET(1)].tables AS value_2,
predicted_<target-column-name>[OFFSET(2)].tables AS value_3,
...
predicted_<target-column-name>[OFFSET(4)].tables AS value_5
FROM <bq-dataset-name>.predictions

"value_1", "value_2", dan seterusnya adalah penanda tempat, Anda dapat menggantinya dengan nilai target atau yang setara.

Regresi:

SELECT predicted_<target-column-name>[OFFSET(0)].tables.value,
predicted_<target-column-name>[OFFSET(0)].tables.prediction_interval.start,
predicted_<target-column-name>[OFFSET(0)].tables.prediction_interval.end
FROM <bq-dataset-name>.predictions

Mengambil hasil di Cloud Storage

Jika Anda menentukan Cloud Storage sebagai tujuan output, hasil permintaan prediksi batch akan ditampilkan sebagai file CSV dalam folder baru di bucket yang Anda tentukan. Nama folder adalah nama model Anda, diawali dengan "prediksi-" dan ditambah dengan stempel waktu saat tugas prediksi dimulai. Anda dapat menemukan nama folder Cloud Storage di Prediksi terbaru di bagian bawah halaman Prediksi batch pada tab Uji & Penggunaan untuk model Anda.

Folder Cloud Storage berisi dua jenis file: file error dan file prediksi. Jika hasilnya besar, file tambahan akan dibuat.

File error diberi nama errors_1.csv, errors_2.csv, dan seterusnya. Tabel tersebut berisi baris header, dan satu baris untuk setiap baris dalam permintaan prediksi Anda yang mana AutoML Tables tidak dapat menampilkan prediksi.

File prediksi diberi nama tables_1.csv, tables_2.csv, dan seterusnya. Kolom ini berisi baris header dengan nama kolom, dan baris untuk setiap prediksi yang ditampilkan.

Dalam file prediksi, Tabel AutoML menampilkan data prediksi Anda, dan membuat satu atau beberapa kolom baru untuk hasil prediksi, bergantung pada jenis model Anda:

Klasifikasi:

Untuk setiap nilai potensial kolom target, kolom bernama <target-column-name>_<value>_score ditambahkan ke hasil. Kolom ini berisi skor, atau estimasi keyakinan, untuk nilai tersebut.

Regresi:

Nilai yang diprediksi untuk baris tersebut ditampilkan dalam kolom bernama predicted_<target-column-name>. Interval prediksi tidak ditampilkan untuk output CSV.

Tingkat kepentingan fitur lokal tidak tersedia untuk hasil di Cloud Storage.

Menafsirkan hasil

Cara menafsirkan hasil bergantung pada masalah bisnis yang Anda selesaikan dan bagaimana data Anda didistribusikan.

Menafsirkan hasil Anda untuk model klasifikasi

Hasil prediksi untuk model klasifikasi (biner dan multi-class) menampilkan skor probabilitas untuk setiap nilai potensial kolom target. Anda harus menentukan cara menggunakan skor. Misalnya, untuk mendapatkan klasifikasi biner dari skor yang diberikan, Anda harus mengidentifikasi nilai batas. Jika ada dua kelas, "A" dan "B", Anda harus mengklasifikasikan contoh tersebut sebagai "A" jika skor untuk "A" lebih besar dari nilai minimum yang dipilih, dan "B" jika tidak. Untuk {i>dataset<i} yang tidak seimbang, ambang batasnya mungkin mendekati 100% atau 0%.

Anda dapat menggunakan diagram kurva perolehan presisi, diagram kurva operator penerima, dan statistik per label lainnya yang relevan di halaman Evaluate untuk model Anda di Google Cloud Console guna melihat bagaimana perubahan nilai minimum akan mengubah metrik evaluasi Anda. Hal ini dapat membantu Anda menentukan cara terbaik untuk menggunakan nilai skor guna menafsirkan hasil prediksi Anda.

Menafsirkan hasil Anda untuk model regresi

Untuk model regresi, nilai yang diharapkan akan ditampilkan, dan untuk banyak masalah, Anda dapat menggunakan nilai tersebut secara langsung. Anda juga dapat menggunakan interval prediksi jika ditampilkan, dan jika rentang tersebut sesuai untuk masalah bisnis Anda.

Menafsirkan hasil nilai penting fitur lokal Anda

Untuk informasi tentang cara menafsirkan hasil nilai penting fitur lokal, lihat Tingkat kepentingan fitur lokal.

Langkah selanjutnya