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
• モデルの使用フェーズ

モデルの作成フェーズ

モデルカテゴリ	モデルタイプ	モデルの作成	特徴量の前処理	ハイパーパラメータ調整	モデルの重み付け	機能とトレーニングに関する情報	チュートリアル
教師あり学習	線形回帰とロジスティック回帰	create model	自動前処理、 手動前処理^1	HP 調整^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	回帰 分類
	ディープ ニューラル ネットワーク（DNN）	create model			NA^5		NA
	ワイド＆ディープ ネットワーク	create model			NA^5		NA
	ブーストされたツリー	create model			NA^5		NA
	ランダム フォレスト	create model			NA^5		NA
	AutoML の分類と回帰	create model	NA^3	NA^3	NA^5		NA
教師なし学習	K 平均法	create model	自動前処理、 手動前処理^1	HP 調整^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	クラスタ バイク ステーション
	行列分解	create model	NA	HP 調整^2 ml.trial_info	ml.weights		明示的なフィードバック 暗黙的なフィードバック
	主要コンポーネントの分析（PCA）	create model	自動前処理、 手動前処理^1	NA	ml.principal_ components、 ml.principal_ component_info		NA
	オートエンコーダ	create model	自動前処理、 手動前処理^1	HP 調整^2 ml.trial_info	NA^5		NA
時系列モデル	ARIMA_PLUS	create model	自動前処理	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	単一シリーズ マルチシリーズ 無数のシリーズ カスタムの祝日 予測値を制限する
	ARIMA_PLUS_XREG	create model	自動前処理	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	多変量予測
インポートされたモデル	TensorFlow	create model	NA	NA	NA	NA	インポートした TensorFlow モデルを使用して予測する
	TensorFlow Lite	create model	NA	NA	NA	NA	NA
	Open Neural Network Exchange（ONNX）	create model	NA	NA	NA	NA	ONNX 形式の scikit-learn モデルを使用して予測する ONNX 形式の PyTorch モデルを使用して予測する
	XGBoost	create model	NA	NA	NA	NA	NA
リモートモデル	Vertex AI エンドポイントを使用したリモートモデル	create model	NA	NA	NA	NA	リモートモデルを使用して予測する
	Cloud Vision API を介したリモートモデル	create model	NA	NA	NA	NA	NA
	Cloud Translation API を介したリモートモデル	create model	NA	NA	NA	NA	NA
	Cloud Natural Language API を介したリモートモデル	create model	NA	NA	NA	NA	NA
	Vertex AI 大規模言語モデル（LLM）を介したリモートモデル^6	create model	NA	NA	NA	NA	リモートモデルでテキストを生成する リモートモデルでテキスト埋め込みを生成する
	Document AI API を介したリモートモデル （プレビュー）	create model	NA	NA	NA	NA	NA
	Speech-to-Text API を介したリモートモデル （プレビュー）	create model	NA	NA	NA	NA	NA
変換のみのモデル^7	変換のみ （プレビュー）	create model	手動前処理^1	NA	NA	ml.feature_info	NA

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

モデルカテゴリ	モデルタイプ	評価	推論	AI の説明	モデルのエクスポート	チュートリアル
教師あり学習	線形回帰とロジスティック回帰	ml.evaluate ml.confusion_matrix^1 ml.roc_curve^2	ml.predict ml.transform	ml.explain_predict^3 ml.global_explain ml.advanced_weights^8	モデルのエクスポート^5	回帰 分類
	ディープ ニューラル ネットワーク（DNN）					NA
	ワイド＆ディープ ネットワーク					NA
	ブーストされたツリー			ml.explain_predict^3 ml.global_explain ml.feature_importance^4		NA
	ランダム フォレスト					NA
	AutoML の分類と回帰		ml.predict	ml.global_explain		NA
教師なし学習	K 平均法	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	NA	モデルのエクスポート^5	クラスタ バイク ステーション
	行列分解		ml.recommend			明示的なフィードバック 暗黙的なフィードバック
	主要コンポーネントの分析（PCA）		ml.predict ml.detect_anomalies ml.transform			NA
	オートエンコーダ		ml.predict ml.detect_anomalies ml.reconstruction_loss ml.transform			NA
時系列モデル	ARIMA_PLUS	ml.evaluate ml.arima_evaluate^6 ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast^7	NA	単一シリーズ マルチシリーズ 無数のシリーズ カスタムの祝日 予測値を制限する
	ARIMA_PLUS_XREG	ml.evaluate ml.arima_evaluate^6 ml.holiday_info	ml.forecast	ml.explain_forecast^7	NA	多変量予測
インポートされたモデル	TensorFlow	NA	ml.predict	NA	モデルのエクスポート^5	インポートした TensorFlow モデルを使用して予測する
	TensorFlow Lite	NA	ml.predict	NA	NA	NA
	Open Neural Network Exchange（ONNX）	NA	ml.predict	NA	NA	ONNX 形式の scikit-learn モデルを使用して予測する ONNX 形式の PyTorch モデルを使用して予測する
	XGBoost	NA	ml.predict	NA	NA	NA
リモートモデル	Vertex AI エンドポイントを使用したリモートモデル	NA	ml.predict	NA	NA	リモートモデルを使用して予測する
	Cloud Vision API を介したリモートモデル	NA	ml.annotate_image	NA	NA	NA
	Cloud Translation API を介したリモートモデル	NA	ml.translate	NA	NA	NA
	Cloud Natural Language API を介したリモートモデル	NA	ml.understand_text	NA	NA	NA
	Vertex AI 大規模言語モデル（LLM）を介したリモートモデル^9	NA	ml.generate_text ml.generate_text_embedding （プレビュー）	NA	NA	リモートモデルでテキストを生成する リモートモデルでテキスト埋め込みを生成する
	Document AI API を介したリモートモデル （プレビュー）	NA	ml.process_document	NA	NA	NA
	Speech-to-Text API を介したリモートモデル （プレビュー）	NA	ml.transcribe	NA	NA	NA
変換のみのモデル^10 （プレビュー）	変換のみ （プレビュー）	NA	ml.transform	NA	モデルのエクスポート^5	NA

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。