Tipi di funzionalità di input supportati

BigQuery ML supporta differenti tipi di caratteristiche di input a seconda del tipo di modello. I tipi di funzionalità di input supportati sono elencati nella seguente tabella:

Categoria del modello	Tipi di modelli	Tipi numerici (INT64, NUMERIC, BIGNUMERIC, FLOAT64)	Tipi categorici (BOOL, STRING, BYTES, DATE, DATETIME)	TIMESTAMP	STRUCT	GEOGRAPHY	ARRAY<Tipi numerici>	ARRAY<Tipi categorici>	ARRAY<STRUCT<INT64, Tipi numerici>>
Apprendimento supervisionato	Regressione lineare e logistica	✔	✔	✔	✔		✔	✔	✔
	Reti neurali profonde	✔	✔		✔		✔	✔	✔
	Ampio e profondo	✔	✔		✔		✔	✔	✔
	Alberi potenziati	✔	✔		✔		✔	✔	✔
	AutoML Tables	✔	✔	✔	✔		✔	✔
Apprendimento non supervisionato	K-means	✔	✔	✔	✔	✔	✔	✔
	PCA	✔	✔	✔	✔		✔	✔
	Autoencoder	✔	✔	✔	✔		✔	✔	✔
Modelli di serie temporale	ARIMA_PLUS_XREG	✔	✔	✔	✔			✔	✔

Nota: i modelli Fattorizzazione matriciale e ARIMA_PLUS hanno tipi di funzionalità di input speciali. I tipi di input elencati per ARIMA_PLUS_XREG sono solo per regressori esterni.

Input vettoriale denso

BigQuery ML supporta ARRAY<numerical> come input di vettore denso durante l'addestramento del modello. La funzionalità di incorporamento è un tipo speciale di vettore denso. Per ulteriori informazioni, consulta la funzione ML.GENERATE_EMBEDDING.

Input sparso

BigQuery ML supporta ARRAY<STRUCT> come input sparso durante l'addestramento del modello. Ogni struct contiene un valore INT64 che rappresenta il suo indice in base zero e un tipo numerico che rappresenta il valore corrispondente.

Di seguito è riportato un esempio di input di tensore sparso per l'array di numeri interi [0,1,0,0,0,0,1]:

ARRAY<STRUCT<k INT64, v INT64>>[(1, 1), (6, 1)] AS f1