Créer et utiliser un modèle de classification portant sur des données de recensement

BigQuery ML accepte l'apprentissage supervisé avec le type de modèle de régression logistique. Vous pouvez utiliser le type de modèle de régression logistique binaire pour prédire si une valeur tombe dans une catégorie parmi deux catégories possibles. Vous pouvez également utiliser le type de modèle de régression à classes multiples pour prédire si une valeur tombe dans une catégorie parmi plusieurs possibles. Ces modèles sont appelés problèmes de classification, car ils tentent de classer les données en au moins deux catégories.

Dans ce tutoriel, vous allez utiliser un modèle de régression logistique binaire dans BigQuery ML pour prédire la plage de revenus des personnes interrogées de l'ensemble de données du recensement américain. Cet ensemble de données contient les informations relatives à la démographie et aux revenus des résidents américains à partir de 2000 et de 2010. Les données comprennent la situation professionnelle, la catégorie d'emploi, le niveau d'éducation et les données relatives au revenu.

Objectifs

Dans ce tutoriel, vous allez effectuer les tâches suivantes :

• Créer un modèle de régression logistique
• Évaluer le modèle de régression logistique
• Réaliser des prédictions à l'aide du modèle de régression logistique

Coûts

Ce tutoriel utilise des composants facturables de Google Cloud, y compris :

• BigQuery
• BigQuery ML

Pour en savoir plus sur le coût de BigQuery, consultez la page Tarifs de BigQuery.

Pour en savoir plus sur le coût de BigQuery ML, consultez la page Tarifs de BigQuery ML.

Avant de commencer

1. Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.

2. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   Accéder au sélecteur de projet

3. Assurez-vous que la facturation est activée pour votre projet Cloud. Découvrez comment vérifier si la facturation est activée sur un projet.

4. Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   Accéder au sélecteur de projet

5. Assurez-vous que la facturation est activée pour votre projet Cloud. Découvrez comment vérifier si la facturation est activée sur un projet.

6. BigQuery est automatiquement activé dans les nouveaux projets. Pour activer BigQuery dans un projet préexistant, accédez à

   Activez l'API BigQuery

   Activer l'API

Présentation

Dans le cadre du machine learning, il est souvent difficile de classer les données dans l'un des deux types possibles, appelés étiquettes. Par exemple, un marchand peut souhaiter prédire si un client donné achètera un nouveau produit, en se basant sur d'autres informations concernant ce client. Dans ce cas, les deux étiquettes pourraient être "achètera" et "n'achètera pas". Vous pouvez construire votre ensemble de données de sorte qu'une colonne représente l'étiquette. Les données que vous pouvez utiliser pour entraîner un tel modèle de régression logistique binaire comprennent l'emplacement du client, ses achats antérieurs, ses préférences déclarées, etc.

Dans ce tutoriel, vous allez utiliser BigQuery ML pour créer un modèle de régression logistique binaire permettant de prédire si le revenu d'une personne interrogée pour le recensement américain se situe dans l'une des deux plages possibles en fonction des attributs démographiques de cette personne.

La création d'un modèle de régression logistique comprend les étapes suivantes :

• Étape 1 : Créer un ensemble de données dans lequel stocker votre modèle

  La première étape consiste à créer un ensemble de données BigQuery pour stocker votre modèle.

• Étape 2 : Examiner les données

  Dans cette étape, vous allez examiner l'ensemble de données et identifier les colonnes à utiliser comme données d'entraînement pour votre modèle de régression logistique.

• Étape 3 : Sélectionner les données d'entraînement

  L'étape suivante consiste à préparer les données que vous utilisez pour entraîner le modèle de régression logistique binaire en exécutant une requête sur la table census_adult_income. Cette étape identifie les fonctionnalités pertinentes et les stocke dans une vue pour que les requêtes ultérieures puissent être utilisées en tant que données d'entrée.

• Étape 4 : Créer un modèle de régression logistique

  Dans cette étape, utilisez l'instruction CREATE MODEL pour créer votre modèle de régression logistique.

• Étape 5 : Utiliser la fonction ML.EVALUATE pour évaluer le modèle

  Utilisez ensuite la fonction ML.EVALUATE pour fournir des statistiques sur les performances du modèle.

• Étape 6 : Utilisez la fonction ML.PREDICT pour prédire le revenu d'un participant

  Enfin, vous utilisez la fonction ML.PREDICT afin de prédire la tranche de revenu d'un ensemble donné de participants au recensement.

Étape 1 : Créer un ensemble de données

La première étape consiste à créer un ensemble de données BigQuery dans lequel stocker votre modèle. Pour créer l'ensemble de données, procédez comme suit :

1. Dans Google Cloud Console, accédez à la page "BigQuery".

   Accéder à la page "BigQuery"

2. Dans la section Ressources du panneau de navigation, cliquez sur le nom du projet.

3. Dans le panneau "Détails" situé à droite, cliquez sur Créer un ensemble de données.

   

4. Sur la page Create dataset (Créer un ensemble de données), procédez comme suit :

   • Dans le champ Dataset ID (ID de l'ensemble de données), saisissez census.
   • Dans le champ Data location (Emplacement des données), sélectionnez United States (US) (États-Unis). Les ensembles de données publics sont actuellement stockés dans l'emplacement multirégional US. Par souci de simplicité, vous devez placer votre ensemble de données dans le même emplacement.

5. Conservez les autres paramètres par défaut et cliquez sur Créer un ensemble de données.

Étape 2 : Examiner les données

L'étape suivante consiste à examiner l'ensemble de données et à identifier les colonnes à utiliser comme données d'entraînement pour le modèle de régression logistique. Vous pouvez utiliser une requête SQL standard pour renvoyer des lignes de l'ensemble de données.

La requête suivante renvoie 100 lignes de l'ensemble de données du recensement américain :

SELECT
  age,
  workclass,
  marital_status,
  education_num,
  occupation,
  hours_per_week,
  income_bracket
FROM
  `bigquery-public-data.ml_datasets.census_adult_income`
LIMIT
  100;

Exécuter la requête

Pour exécuter la requête qui renvoie des lignes de l'ensemble de données, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête suivante en SQL standard dans la zone de texte Éditeur de requête :

   SELECT
     age,
     workclass,
     marital_status,
     education_num,
     occupation,
     hours_per_week,
     income_bracket
   FROM
     `bigquery-public-data.ml_datasets.census_adult_income`
   LIMIT
     100;
   

3. Cliquez sur Exécuter.

4. Lorsque la requête est terminée, cliquez sur l'onglet Results (Résultats) sous la zone de texte de la requête. Les résultats doivent se présenter sous la forme suivante :

   

   Les résultats de la requête montrent que la colonne income_bracket de la table census_adult_income ne présente que l'une des deux valeurs suivantes : <=50K ou >50K. Ils montrent également que les colonnes education et education_num de la table census_adult_income expriment les mêmes données sous différents formats. La colonne functional_weight correspond au nombre d'individus représentés par une ligne particulière selon les organismes de recensement. Les valeurs de cette colonne apparaissent non liées à la valeur de income_bracket pour une ligne spécifique.

Étape 3 : Sélectionner les données d'entraînement

Vous allez ensuite sélectionner les données utilisées pour entraîner le modèle de régression logistique. Dans ce tutoriel, vous allez prédire le revenu du participant au recensement en fonction des attributs suivants :

• Âge
• Type de travail réalisé
• État civil
• Niveau d'études
• Profession
• Heures travaillées par semaine

La requête suivante crée une vue qui compile vos données d'entraînement. Cette vue est comprise dans l'instruction CREATE MODEL plus loin dans ce tutoriel.

CREATE OR REPLACE VIEW
  `census.input_view` AS
SELECT
  age,
  workclass,
  marital_status,
  education_num,
  occupation,
  hours_per_week,
  income_bracket,
  CASE
    WHEN MOD(functional_weight, 10) < 8 THEN 'training'
    WHEN MOD(functional_weight, 10) = 8 THEN 'evaluation'
    WHEN MOD(functional_weight, 10) = 9 THEN 'prediction'
  END AS dataframe
FROM
  `bigquery-public-data.ml_datasets.census_adult_income`

Détails des requêtes

Cette requête extrait des données sur les personnes interrogées lors du recensement, y compris education_num, qui représente le niveau d'études de la personne, et workclass, qui représente le type de travail réalisé par la personne. Cette requête exclut plusieurs catégories qui dupliquent certaines données. Par exemple, les colonnes education et education_num de la table census_adult_income expriment les mêmes données sous différents formats. Cette requête exclut donc la colonne education. La colonne dataframe utilise la colonne functional_weight exclue pour étiqueter 80 % de la source de données à des fins d'entraînement, et réserve les données restantes à des fins d'évaluation et de prédiction. La requête crée une vue contenant ces colonnes afin que vous puissiez les utiliser pour effectuer l'entraînement et la prédiction ultérieurement.

Exécuter la requête

Pour exécuter la requête permettant de compiler les données d'entraînement pour votre modèle, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête suivante en SQL standard dans la zone de texte Éditeur de requête :

   CREATE OR REPLACE VIEW
     `census.input_view` AS
   SELECT
     age,
     workclass,
     marital_status,
     education_num,
     occupation,
     hours_per_week,
     income_bracket,
     CASE
       WHEN MOD(functional_weight, 10) < 8 THEN 'training'
       WHEN MOD(functional_weight, 10) = 8 THEN 'evaluation'
       WHEN MOD(functional_weight, 10) = 9 THEN 'prediction'
     END AS dataframe
   FROM
     `bigquery-public-data.ml_datasets.census_adult_income`
   

3. Cliquez sur Exécuter.

4. Dans la section Ressources du panneau de navigation, cliquez sur le nom du projet. Votre vue devrait s'afficher en dessous de celui-ci.

5. Cliquez sur la vue. Le schéma de la vue s'affiche dans l'onglet Schema (Schéma) situé sous l'éditeur de requête.

   

Étape 4 : Créer un modèle de régression logistique

Après avoir examiné les données d'entraînement, l'étape suivante consiste à créer un modèle de régression logistique à l'aide de ces données.

Vous pouvez créer et entraîner un modèle de régression logistique à l'aide de l'instruction CREATE MODEL avec l'option 'LOGISTIC_REG'. La requête suivante permet d'entraîner un nouveau modèle de régression logistique binaire sur la vue de la requête précédente à l'aide d'une instruction CREATE MODEL.

CREATE OR REPLACE MODEL
  `census.census_model`
OPTIONS
  ( model_type='LOGISTIC_REG',
    auto_class_weights=TRUE,
    input_label_cols=['income_bracket']
  ) AS
SELECT
  * EXCEPT(dataframe)
FROM
  `census.input_view`
WHERE
  dataframe = 'training'

Détails des requêtes

L'instruction CREATE MODEL entraîne un modèle à l'aide des données d'entraînement de l'instruction SELECT.

La clause OPTIONS spécifie le type de modèle et les options d'entraînement. Ici, l'option LOGISTIC_REG spécifie un type de modèle de régression logistique. Il n'est pas nécessaire de spécifier s'il s'agit d'un modèle de régression logistique binaire ou d'un modèle de régression logistique à classes multiples. En effet, BigQuery ML peut déterminer lequel entraîner en fonction du nombre de valeurs uniques de la colonne d'étiquette.

L'option input_label_cols spécifie la colonne de l'instruction SELECT à utiliser comme colonne d'étiquette. Ici, la colonne d'étiquette indique income_bracket. Le modèle détermine donc laquelle des deux valeurs de income_bracket est la plus probable en fonction des autres valeurs présentes dans chaque ligne.

L'option 'auto_class_weights=TRUE' équilibre les étiquettes de classe dans les données d'entraînement. Par défaut, les données d'entraînement ne sont pas pondérées. Si les étiquettes des données d'entraînement sont déséquilibrées, le modèle peut apprendre à prédire en priorité la classe d'étiquettes la plus populaire. Dans ce cas, la plupart des personnes interrogées de l'ensemble de données se situent dans la tranche de revenu inférieure. Cela peut conduire à un modèle qui favorise trop la tranche de revenu inférieure. Les pondérations des classes équilibrent les étiquettes de classe en calculant des pondérations pour chaque classe de manière inversement proportionnelle à la fréquence de celle-ci.

L'instruction SELECT interroge la vue de l'étape 2. Cette vue ne comprend que les colonnes contenant des données de caractéristiques pour l'entraînement du modèle. La clause WHERE filtre les lignes de input_view afin que seules les lignes appartenant à la colonne dataframe de l'entraînement soient incluses dans les données d'entraînement.

Exécuter la requête CREATE MODEL

Pour exécuter la requête permettant de créer le modèle de régression logistique, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête suivante en SQL standard dans la zone de texte Éditeur de requête :

CREATE OR REPLACE MODEL
  `census.census_model`
OPTIONS
  ( model_type='LOGISTIC_REG',
    auto_class_weights=TRUE,
    data_split_method='NO_SPLIT',
    input_label_cols=['income_bracket'],
    max_iterations=15) AS
SELECT
  * EXCEPT(dataframe)
FROM
  `census.input_view`
WHERE
  dataframe = 'training'

1. Cliquez sur Run (Exécuter).

2. Dans le panneau de navigation, dans la section Ressources, développez [PROJECT_ID] > census, puis cliquez sur census_model.

3. Cliquez sur l'onglet Schema (Schéma). Le schéma de modèle répertorie les attributs que BigQuery ML a utilisés pour effectuer une régression logistique. Le schéma doit se présenter comme suit :

   

Étape 5 : Utiliser la fonction ML.EVALUATE pour évaluer le modèle

Après avoir créé votre modèle, évaluez ses performances à l'aide de la fonction ML.EVALUATE. La fonction ML.EVALUATE compare les valeurs estimées aux données réelles.

La requête permettant d'évaluer le modèle est la suivante :

SELECT
  *
FROM
  ML.EVALUATE (MODEL `census.census_model`,
    (
    SELECT
      *
    FROM
      `census.input_view`
    WHERE
      dataframe = 'evaluation'
    )
  )

Détails des requêtes

La fonction ML.EVALUATE accepte le modèle entraîné à l'étape 1 et les données d'évaluation renvoyées par une sous-requête SELECT. La fonction renvoie une seule ligne de statistiques concernant le modèle. Cette requête utilise les données de input_view en tant que données d'évaluation. La clause WHERE filtre les données d'entrée afin que la sous-requête ne contienne que des lignes du dataframe evaluation.

Exécuter la requête ML.EVALUATE

Pour exécuter la requête ML.EVALUATE permettant d'évaluer le modèle, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête suivante en SQL standard dans la zone de texte Éditeur de requête :

   SELECT
     *
   FROM
     ML.EVALUATE (MODEL `census.census_model`,
       (
       SELECT
         *
       FROM
         `census.input_view`
       WHERE
         dataframe = 'evaluation'
       )
     )
   

3. (Facultatif) Pour définir l'emplacement de traitement, cliquez sur More > Query settings (Plus > Paramètres de requête). Pour Processing location (Emplacement de traitement), choisissez US. Cette étape est facultative, car l'emplacement de traitement est automatiquement détecté selon l'emplacement de l'ensemble de données.

   

4. Cliquez sur Exécuter.

5. Lorsque la requête est terminée, cliquez sur l'onglet Results (Résultats) sous la zone de texte de la requête. Les résultats doivent se présenter sous la forme suivante :

   

   Étant donné que vous avez effectué une régression logistique, les résultats incluent les colonnes suivantes :

   • precision
   • recall
   • accuracy
   • f1_score
   • log_loss
   • roc_auc

Vous pouvez également appeler la fonction ML.EVALUATE sans fournir de données d'entrée. ML.EVALUATE récupère les métriques d'évaluation calculées durant l'entraînement à partir de l'ensemble de données d'évaluation réservé automatiquement. Dans cette requête CREATE MODEL avec NO_SPLIT spécifié pour l'option d'entraînement data_split_method, l'intégralité de l'ensemble de données d'entrée est utilisé pour l'entraînement et l'évaluation. L'appel de ML.EVALUATE sans données d'entrée récupère les métriques d'évaluation sur un ensemble de données d'entraînement. Cette évaluation est moins efficace qu'une évaluation réalisée sur un ensemble de données séparé des données d'entraînement du modèle.

Vous pouvez également utiliser la console Google Cloud pour afficher les métriques d'évaluation calculées pendant l'entraînement. Les résultats doivent se présenter sous la forme suivante :

Étape 6 : Utiliser la fonction ML.PREDICT pour prédire une tranche de revenu

Pour déterminer la tranche de revenu à laquelle appartient une personne interrogée donnée, utilisez la fonction ML.PREDICT. La requête suivante prédit la tranche de revenu de chaque personne interrogée du dataframe prediction.

SELECT
  *
FROM
  ML.PREDICT (MODEL `census.census_model`,
    (
    SELECT
      *
    FROM
      `census.input_view`
    WHERE
      dataframe = 'prediction'
     )
  )

Détails des requêtes

La fonction ML.PREDICT prédit les résultats à l'aide du modèle et des données de input_view. Celles-ci ont été filtrées pour n'inclure que les lignes du dataframe "prediction". La toute première instruction SELECT récupère les résultats de la fonction ML.PREDICT.

Exécuter la requête ML.PREDICT

Pour exécuter la requête ML.PREDICT, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête SQL standard suivante dans la zone de texte Éditeur de requête.

SELECT
  *
FROM
  ML.PREDICT (MODEL `census.census_model`,
    (
    SELECT
      *
    FROM
      `census.input_view`
    WHERE
      dataframe = 'prediction'
     )
  )

1. Cliquez sur Exécuter.

2. Lorsque la requête est terminée, cliquez sur l'onglet Results (Résultats) sous la zone de texte de la requête. Les résultats doivent se présenter sous la forme suivante :

   

   predicted_income_bracket correspond à la valeur estimée de income_bracket.

Ce produit ou cette fonctionnalité sont couverts par les Conditions des offres de pré-disponibilité des conditions d'utilisation de Google Cloud. Les produits et fonctionnalités proposés avant la mise à disposition générale peuvent ne pas être compatibles. De plus, les modifications apportées aux produits et aux fonctionnalités qui étaient proposés avant la mise à disposition générale peuvent ne pas être compatibles avec d'autres versions qui étaient proposées avant la mise à disposition générale. Pour en savoir plus, consultez les descriptions des étapes de lancement.

Étape 7 : Expliquer les résultats des prédictions avec des méthodes Explainable AI

Pour comprendre pourquoi votre modèle génère ces résultats de prédiction, vous pouvez utiliser la fonction ML.EXPLAIN_PREDICT.

ML.EXPLAIN_PREDICT est une version étendue de ML.PREDICT. La fonction ML.EXPLAIN_PREDICT génère non seulement des résultats de prédiction, mais elle produit également des colonnes supplémentaires servant à expliquer ces résultats. En pratique, vous n'avez besoin d'exécuter que ML.EXPLAIN_PREDICT et vous pouvez ignorer l'exécution de ML.PREDICT. Pour une explication plus détaillée des valeurs de Shapley et des fonctionnalités Explainable AI offertes dans BigQuery ML, consultez la page Présentation d'Explainable AI pour BigQuery ML.

La requête utilisée pour générer les explications est la suivante :

#standardSQL
SELECT
  *
FROM
  ML.EXPLAIN_PREDICT(MODEL `census.census_model`,
    (
    SELECT
      *
    FROM
      `census.input_view`
    WHERE
      dataframe = 'evaluation'),
    STRUCT(3 as top_k_features))

Exécuter la requête ML.EXPLAIN_PREDICT

Pour exécuter la requête ML.EXPLAIN_PREDICT qui explique le modèle, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête SQL standard suivante dans l'éditeur de requête.

   #standardSQL
   SELECT
   *
   FROM
   ML.EXPLAIN_PREDICT(MODEL `census.census_model`,
     (
     SELECT
       *
     FROM
       `census.input_view`
     WHERE
       dataframe = 'evaluation'),
     STRUCT(3 as top_k_features))
   

3. Cliquez sur Run (Exécuter).

4. Lorsque la requête est terminée, cliquez sur l'onglet Résultats sous l'éditeur de requête. Les résultats doivent se présenter sous la forme suivante :

   

Remarque : La requête ML.EXPLAIN_PREDICT génère toutes les colonnes de caractéristiques d'entrée, comme c'est le cas avec la fonction ML.PREDICT. Pour des raisons de lisibilité, la figure ci-dessus ne montre qu'une seule colonne de caractéristiques, "age".

Pour les modèles de régression logistique, les valeurs de Shapley sont utilisées pour générer les valeurs d'attribution des caractéristiques pour chaque caractéristique du modèle. ML.EXPLAIN_PREDICT génère les trois premières attributions de caractéristiques par ligne de la table fournie, car top_k_features a été défini sur 3 dans la requête. Ces attributions sont triées en fonction de la valeur absolue de l'attribution par ordre décroissant. Dans la ligne 1 de cet exemple, la caractéristique hours_per_week a contribué le plus à la prédiction globale, mais pour la ligne 2 de cet exemple, occupation a contribué le plus à la prédiction globale. Pour obtenir des explications détaillées sur les colonnes de résultat de la requête ML.EXPLAIN_PREDICT, consultez la documentation sur la syntaxe de ML.EXPLAIN_PREDICT.

(Facultatif) Étape 8 : Expliquer globalement votre modèle

Pour identifier les caractéristiques les plus importantes pour déterminer la tranche de revenu en général, vous pouvez utiliser la fonction ML.GLOBAL_EXPLAIN. Pour utiliser ML.GLOBAL_EXPLAIN, le modèle doit être réentraîné avec l'option ENABLE_GLOBAL_EXPLAIN=TRUE. Exécutez à nouveau la requête d'entraînement avec cette option à l'aide de la requête suivante:

CREATE OR REPLACE MODEL
  census.census_model
OPTIONS
  ( model_type='LOGISTIC_REG',
    auto_class_weights=TRUE,
    enable_global_explain=TRUE,
    input_label_cols=['income_bracket']
  ) AS
SELECT
  * EXCEPT(dataframe)
FROM
  census.input_view
WHERE
  dataframe = 'training'
  

Accéder à des explications globales via ML.GLOBAL_EXPLAIN

La requête utilisée pour générer des explications globales est la suivante :

#standardSQL
SELECT
  *
FROM
  ML.GLOBAL_EXPLAIN(MODEL `census.census_model`)

Exécuter la requête ML.GLOBAL_EXPLAIN

Pour exécuter la requête ML.GLOBAL_EXPLAIN, procédez comme suit :

1. Dans la console Google Cloud, cliquez sur le bouton Saisir une nouvelle requête.

2. Saisissez la requête SQL standard suivante dans la zone de texte Éditeur de requête.

#standardSQL
SELECT
  *
FROM
  ML.GLOBAL_EXPLAIN(MODEL `census.census_model`)

1. (Facultatif) Pour définir l'emplacement de traitement, cliquez sur More > Query settings (Plus > Paramètres de requête). Pour Processing location (Emplacement de traitement), choisissez US. Cette étape est facultative, car l'emplacement de traitement est automatiquement détecté selon l'emplacement de l'ensemble de données.

   

2. Cliquez sur Exécuter.

3. Lorsque la requête est terminée, cliquez sur l'onglet Results (Résultats) sous la zone de texte de la requête. Les résultats doivent se présenter sous la forme suivante :

   

Effectuer un nettoyage

Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.

Supprimer l'ensemble de données

La suppression de votre projet entraîne celle de tous les ensembles de données et de toutes les tables qui lui sont associés. Si vous préférez réutiliser le projet, vous pouvez supprimer l'ensemble de données que vous avez créé dans ce tutoriel :

1. Si nécessaire, ouvrez la page BigQuery dans Cloud Console.

   Accéder à la page "BigQuery"

2. Dans le panneau de navigation, cliquez sur l'ensemble de données census que vous avez créé.

3. Cliquez sur Delete dataset (Supprimer l'ensemble de données) dans la partie droite de la fenêtre. Cette action supprime l'ensemble de données et le modèle.

4. Dans la boîte de dialogue Delete dataset (Supprimer l'ensemble de données), confirmez la commande de suppression en saisissant le nom de votre ensemble de données (census), puis cliquez sur Delete (Supprimer).

Supprimer le projet

Pour supprimer le projet :

Attention : La suppression d'un projet aura les effets suivants :

• Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour ce tutoriel et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
• Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs tutoriels et guides de démarrage rapide, vous pouvez constater que réutiliser des projets peut vous aider à éviter de dépasser les limites de quotas des projets.

1. Dans la console Google Cloud, accédez à la page Gérer les ressources.

   Accéder à la page Gérer les ressources

2. Dans la liste des projets, sélectionnez le projet que vous souhaitez supprimer, puis cliquez sur Supprimer.
3. Dans la boîte de dialogue, saisissez l'ID du projet, puis cliquez sur Arrêter pour supprimer le projet.

Étapes suivantes

• Pour obtenir plus d'informations sur BigQuery ML, consultez la page Présentation de BigQuery ML.
• Pour plus d'informations sur la création de modèles, consultez la page sur la syntaxe de CREATE MODEL.