各モデルのエンドツーエンドのユーザー ジャーニー
BigQuery ML は、さまざまな ML モデルと、各モデルの ML フロー全体(特徴の前処理、モデルの作成、ハイパーパラメータの調整、推論、評価、モデルのエクスポートなど)をサポートしています。モデルの ML フローは、次の 2 つのテーブルに分類されます。
モデルの作成フェーズ
1 特徴量エンジニアリングの TRANSFORM 句のチュートリアルをご覧ください。前処理関数の詳細については、BQML - 特徴量エンジニアリング関数のチュートリアルをご覧ください。
2ハイパーパラメータ チューニングでモデル性能を強化するのチュートリアルをご覧ください。
3 自動の特徴量エンジニアリングとハイパーパラメータ チューニングは、AutoML モデルのトレーニングにデフォルトで組み込まれています。
4auto.ARIMA アルゴリズムは、トレンド モジュールのハイパーパラメータ チューニングを実行します。ハイパーパラメータ調整は、モデリングのパイプライン全体ではサポートされていません。詳細については、モデリング パイプラインをご覧ください。
5BigQuery ML は、ブーストツリー、ランダム フォレスト、DNN、ワイド&ディープ、オートエンコーダ、AutoML の各モデルの重みを取得する関数をサポートしていません。これらのモデルの重みを確認するには、既存のモデルを BigQuery ML から Cloud Storage にエクスポートし、XGBoost ライブラリまたは TensorFlow ライブラリを使用してツリーモデルのツリー構造やニューラル ネットワークのグラフ構造を可視化します。詳細については、EXPORT MODEL のドキュメントと EXPORT MODEL のチュートリアルをご覧ください。
6text-bison
モデルを使用します。詳細については、基盤モデルをご覧ください。
7これは一般的な ML モデルではなく、元データを特徴に変換するアーティファクトです。
モデルの使用フェーズ
1ml.confusion_matrix
は分類モデルにのみ適用されます。
2ml.roc_curve
は、バイナリ分類モデルにのみ適用されます。
3ml.explain_predict
は ml.predict
の拡張バージョンです。詳細については、Explainable AI の概要をご覧ください。ml.explain_predict
の使用方法については、回帰のチュートリアルと分類のチュートリアルをご覧ください。
4ml.global_explain
と ml.feature_importance
の違いについては、Explainable AI の概要をご覧ください。
5オンライン予測に使用する BigQuery ML モデルをエクスポートするのチュートリアルをご覧ください。オンライン サービングの詳細については、BQML - インライン転置を使用したモデルの作成チュートリアルをご覧ください。
6ARIMA_PLUS
モデルまたは ARIMA_PLUS_XREG
モデルの場合、ml.evaluate
は、平均絶対パーセント誤差(MAPE)などの予測指標を計算するための新しいデータを入力として受け取れます。新しいデータがない場合、ml.evaluate
には拡張バージョン ml.arima_evaluate
があり、さまざまな評価情報を出力します。
7ml.explain_forecast
は ml.forecast
の拡張バージョンです。詳細については、Explainable AI の概要をご覧ください。ml.explain_forecast
の使用方法については、単一の時系列予測と複数の時系列予測のチュートリアルの結果を可視化する手順をご覧ください。
8 ml.advanced_weights
は ml.weights
の拡張バージョンです。詳細については、ml.advanced_weights をご覧ください。
9text-bison
モデルを使用します。詳細については、基盤モデルをご覧ください。
10これは一般的な ML モデルではなく、元データを特徴に変換するアーティファクトです。