Recorrido del usuario de extremo a extremo para cada modelo

BigQuery ML admite una variedad de modelos de aprendizaje automático y un flujo completo de aprendizaje automático para cada modelo, como el procesamiento previo de atributos, la creación de modelos, el ajuste de hiperparámetros, la inferencia, la evaluación, la exportación de modelos, etcétera. El flujo de aprendizaje automático para los modelos se divide en las siguientes dos tablas:

Fase de creación del modelo
Fase de uso del modelo

Fase de creación del modelo

Categoría del modelo	Tipos de modelos	Creación de modelos	Procesamiento previo de atributos	Ajuste de hiperparámetros	Pesos del modelo	Información de capacitación y atributos	Instructivos
Aprendizaje supervisado	Regresión lineal y logística	crear modelo	Procesamiento previo automático, procesamiento previo manual¹	Ajuste de HP² ml.trial_info	ml.weights	ml.feature_info ml.training_info	regresión clasificación
	Redes neuronales profundas	crear modelo			NA⁵		N/A
	Algoritmo de amplitud y profundidad	crear modelo			NA⁵		N/A
	Árboles con boosting	crear modelo			NA⁵		N/A
	Bosque aleatorio	crear modelo			NA⁵		N/A
	AutoML Tables	crear modelo	NA³	NA³	NA⁵		N/A
Aprendizaje no supervisado	k-means	crear modelo	Procesamiento previo automático, procesamiento previo manual¹	Ajuste de HP² ml.trial_info	ml.centroids	ml.feature_info ml.training_info	estaciones de bicicletas en clústeres
	Factorización de matrices	crear modelo	N/A	Ajuste de HP² ml.trial_info	ml.weights		comentarios explícitos comentarios explícitos
	PCA	crear modelo	Procesamiento previo automático, procesamiento previo manual¹	N/A	ml.principal_ components, ml.principal_ component_info		N/A
	Codificador automático	crear modelo	Procesamiento previo automático, procesamiento previo manual¹	N/A	NA⁵		N/A
Modelos de serie temporal	ARIMA_PLUS	crear modelo	Procesamiento previo automático	auto.ARIMA⁴	ml.arima_ coefficients	ml.feature_info ml.training_info	serie única varias series millones de series
Modelos de serie temporal	ARIMA_PLUS_XREG (Vista previa)	crear modelo	Procesamiento previo automático	auto.ARIMA⁴	ml.arima_ coefficients	ml.feature_info ml.training_info	previsión multivariable
Modelos importados	TensorFlow	crear modelo	N/A	N/A	N/A	N/A	predecir con un modelo importado de TensorFlow
	TensorFlow Lite (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A
	ONNX (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	Predice con modelos de scikit-learn en formato ONNX Predice con modelos de PyTorch en formato ONNX
	XGBoost (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A
Modelos remotos	Modelo remoto con un extremo de Vertex AI (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	predecir con un modelo remoto
	Modelo remoto sobre la API de Cloud Vision (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto sobre la API de Cloud Translation (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto sobre la API de Cloud Natural Language (vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A

¹Consulta Instructivo de TRANSFORM para la ingeniería de atributos.

²Consulta Usa el ajuste de hiperparámetros para mejorar el rendimiento de los modelos.

³La ingeniería de atributos automática y el ajuste de hiperparámetros están incorporados en el entrenamiento de modelos de AutoML Tables de forma predeterminada.

⁴El algoritmo auto.ARIMA realiza el ajuste de hiperparámetros para el módulo de tendencia. El ajuste de hiperparámetros no es compatible con toda la canalización de modelado. Consulta la canalización de modelado para obtener más detalles.

⁵BigQuery ML no admite funciones que recuperen los pesos de los modelos de árbol mejorado, de bosque aleatorio, DNN, de algoritmo de amplitud y profundidad, de codificador automático o de AutoML Tables. Para ver las ponderaciones de esos modelos, puedes exportar un modelo existente de BigQuery ML a Cloud Storage y, luego, usar la biblioteca XGBoost o la biblioteca de TensorFlow para visualizar la estructura de árbol de los modelos de árbol o la estructura del grafo en las redes neuronales. Para obtener más información, consulta la documentación de EXPORTAR MODELO y el instructivo de EXPORTAR MODELO.

Fase de uso del modelo

Categoría del modelo	Tipos de modelos	Evaluación	Inferencia	AI Explanations	Exportación de modelos	Instructivos
Aprendizaje supervisado	Regresión lineal y logística	ml.evaluate ml.confusion_matrix¹ ml.roc_curve²	ml.predict	ml.explain_predict³ ml.global_explain ml.advanced_weights⁸	exportar modelo⁵	regresión clasificación
	Redes neuronales profundas					N/A
	Algoritmo de amplitud y profundidad					N/A
	Árboles con boosting			ml.explain_predict³ ml.global_explain ml.feature_importance⁴		N/A
	Bosque aleatorio					N/A
	AutoML Tables			N/A		N/A
Aprendizaje no supervisado	k-means	ml.evaluate	ml.predict ml.detect_anomalies	N/A	exportar modelo⁵	estaciones de bicicletas en clústeres
	Factorización de matrices		ml.recommend			comentarios explícitos comentarios explícitos
	PCA		ml.predict ml.detect_anomalies			N/A
	Codificador automático		ml.predict ml.detect_anomalies ml.reconstruction_loss			N/A
Modelos de serie temporal	ARIMA_PLUS	ml.evaluate ml.arima_evaluate⁶	ml.forecast ml.detect_anomalies	ml.explain_forecast⁷	N/A	serie única varias series millones de series
Modelos de serie temporal	ARIMA_PLUS_XREG (Vista previa)	ml.evaluate ml.arima_evaluate⁶	ml.forecast	N/A	N/A	previsión multivariable
Modelos importados	TensorFlow	N/A	ml.predict	N/A	exportar modelo⁵	predecir con un modelo importado de TensorFlow
	TensorFlow Lite (Vista previa)	N/A	ml.predict	N/A	N/A	N/A
	ONNX (Vista previa)	N/A	ml.predict	N/A	N/A	Predice con modelos de scikit-learn en formato ONNX Predice con modelos de PyTorch en formato ONNX
	XGBoost (Vista previa)	N/A	ml.predict	N/A	N/A	N/A
Modelos remotos	Modelo remoto con un extremo de Vertex AI (Vista previa)	ml.evaluate	ml.predict	N/A	N/A	predecir con un modelo remoto
	Modelo remoto sobre la API de Cloud Vision (Vista previa)	N/A	ml.annotate_image	N/A	N/A	N/A
	Modelo remoto sobre la API de Cloud Translation (Vista previa)	N/A	ml.translate	N/A	N/A	N/A
	Modelo remoto sobre la API de Cloud Natural Language (vista previa)	N/A	ml.understand_text	N/A	N/A	N/A

¹ml.confusion_matrix solo se aplica a los modelos de clasificación.

²ml.roc_curve solo se aplica a los modelos de clasificación binaria.

³ml.explain_predict es una versión extendida de ml.predict. Para obtener más información, consulta Descripción general de Explainable AI. Para aprender cómo se usa ml.explain_predict, consulta el instructivo de regresión y el instructivo de clasificación.

⁴ Para obtener la diferencia entre ml.global_explain y ml.feature_importance, consulta Descripción general de Explainable AI.

⁵Consulta el instructivo Exporta un modelo de BigQuery ML para la predicción en línea.

⁶En los modelos ARIMA_PLUS o ARIMA_PLUS_XREG, ml.evaluate puede tomar datos nuevos como entrada para calcular las métricas de previsión, como el error porcentual absoluto medio (MAPE). Si no hay datos nuevos, ml.evaluate tiene una versión extendida ml.arima_evaluate que genera diferente información de evaluación.

⁷ml.explain_forecast es una versión extendida de ml.forecast. Para obtener más información, consulta Descripción general de Explainable AI. Para obtener información sobre cómo se usa ml.explain_forecast, consulta los pasos de visualización de resultados de los instructivos de previsión de una serie temporal individual y previsión de varias series temporales.

⁸ml.advanced_weights es una versión extendida de ml.weights; consulta ml.advanced_weights para obtener más detalles.