Previsión de varias series temporales con una sola consulta para viajes de Citi Bike en NYC

---

En este instructivo aprenderás a crear un conjunto de modelos de serie temporal para realizar varias previsiones de series temporales con una sola consulta. También aprenderás a aplicar diferentes estrategias de entrenamiento rápido para acelerar significativamente la consulta y a evaluar la exactitud de la previsión. Usarás los datos de new_york.citibike_trips. Estos datos contienen información sobre los viajes de Citi Bike en la ciudad de Nueva York.

Antes de leer este instructivo, te recomendamos que leas la Previsión de series temporales individuales a partir de datos de Google Analytics.

Objetivos

En este instructivo usarás lo siguiente:

• La declaración CREATE MODEL, para crear un modelo de serie temporal o un conjunto de modelos de serie temporal
• La función ML.ARIMA_EVALUATE, para evaluar el modelo
• La función ML.ARIMA_COEFFICIENTS, para inspeccionar los coeficientes del modelo
• La función ML.EXPLAIN_FORECAST, que permite recuperar varios componentes de las series temporales (como la temporada y la tendencia) que se pueden usar para explicar los resultados de la previsión.
• Looker Studio: Para visualizar los resultados de la previsión.
• La función ML.FORECAST, para prever el total de visitas diarias

Costos

En este instructivo se usan componentes facturables de Google Cloud, que incluyen los siguientes:

• BigQuery
• BigQuery ML

Para obtener más información sobre los costos de BigQuery, consulta la página de precios de BigQuery.

Para obtener más información sobre los costos de BigQuery ML, consulta los precios de BigQuery ML.

Antes de comenzar

1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

5. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

6. BigQuery se habilita automáticamente en proyectos nuevos. Para activar BigQuery en un proyecto existente, ve a

   Enable the BigQuery API.

   Enable the API

Paso uno: Crea tu conjunto de datos

Crea un conjunto de datos de BigQuery para almacenar tu modelo de AA:

1. En la consola de Google Cloud, ve a la página de BigQuery.

   Ir a la página de BigQuery

2. En el panel Explorador, haz clic en el nombre de tu proyecto.

3. Haz clic en Ver acciones > Crear conjunto de datos.

   

4. En la página Crear conjunto de datos, haz lo siguiente:

   • En ID del conjunto de datos, ingresa bqml_tutorial.

   • En Tipo de ubicación, selecciona Multirregión y, luego, EE.UU. (varias regiones en Estados Unidos).

     Los conjuntos de datos públicos se almacenan en la multirregión US. Para que sea más simple, almacena tu conjunto de datos en la misma ubicación.

   • Deja la configuración predeterminada restante como está y haz clic en Crear conjunto de datos.

     

Paso dos (opcional): Visualiza la serie temporal que deseas prever

Antes de crear el modelo, es beneficioso ver cómo se ve la serie temporal de entrada. Puedes lograr esto con Looker Studio.

En la siguiente consulta, la cláusula FROM bigquery-public-data.new_york.citibike_trips indica que consultas la tabla citibike_trips en el conjunto de datos new_york.

En la declaración SELECT, la consulta usa la función EXTRACT para extraer la información de la fecha de la columna starttime. La consulta usa la cláusula COUNT(*) para obtener la cantidad total diaria de viajes con Citi Bike.

#standardSQL
SELECT
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data.new_york.citibike_trips`
GROUP BY date

Para ejecutar la consulta, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   SELECT
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data.new_york.citibike_trips`
   GROUP BY date
   

3. Haz clic en Ejecutar.

   Después de que se ejecuta la consulta, el resultado es similar a la siguiente captura de pantalla. En la captura de pantalla, puedes ver que esta serie temporal tiene 1,184 datos diarios, que abarcan más de 4 años. Haz clic en el botón Explorar datos y, luego, en Explorar con Looker Studio. Looker Studio se abre en una pestaña nueva. Completa los siguientes pasos en la pestaña nueva.

   

4. En el panel Gráfico, elige Gráfico de serie temporal (Time series chart):

   

   Nota: Se abrirá un gráfico en el panel izquierdo. Si ves “Demasiadas filas” en este gráfico, haz clic en “Agregar un gráfico” en la parte superior izquierda de tu pantalla. En el panel desplegable, haz clic en el ícono Gráfico de series temporales.

5. En el panel Datos, debajo del panel Gráfico, ve a la sección Métrica. Agrega el campo num_trips y quita la métrica predeterminada num_trips (Record Count):

   

   Después de completar el paso anterior, aparece el siguiente gráfico. El gráfico muestra que la serie temporal de entrada tiene patrones semanales y anuales. La serie temporal también es una tendencia en alza.

   

Paso tres: Crea un modelo de serie temporal para realizar una previsión de una serie temporal individual

A continuación, crea un modelo de serie temporal mediante los datos de viajes de Citi Bike en NYC.

La siguiente consulta de GoogleSQL crea un modelo que se usa para prever el total de viajes diarios en bicicleta. La cláusula CREATE MODEL crea y entrena un modelo llamado bqml_tutorial.nyc_citibike_arima_model.

#standardSQL
CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model`
OPTIONS
  (model_type = 'ARIMA_PLUS',
   time_series_timestamp_col = 'date',
   time_series_data_col = 'num_trips'
  ) AS
SELECT
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data.new_york.citibike_trips`
GROUP BY date

La cláusula OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica que creas un modelo de serie temporal basado en ARIMA. De forma predeterminada, auto_arima=TRUE, por lo que el algoritmo auto.ARIMA ajusta de forma automática los hiperparámetros en los modelos ARIMA_PLUS. El algoritmo se adapta a decenas de modelos de candidatos y elige el mejor con el criterio de información Akaike (AIC) más bajo. Además, debido a que el valor predeterminado es data_frequency='AUTO_FREQUENCY', el proceso de entrenamiento infiere de forma automática la frecuencia de datos de la serie temporal de entrada. Por último, la declaración CREATE MODEL usa decompose_time_series=TRUE de forma predeterminada, y los usuarios pueden comprender mejor cómo se prevé la serie temporal mediante la recuperación de los componentes de series temporales, como períodos estacionales y el efecto de festividades.

Ejecuta la consulta CREATE MODEL para crear y entrenar el modelo:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
      time_series_timestamp_col = 'date',
      time_series_data_col = 'num_trips'
     ) AS
   SELECT
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data.new_york.citibike_trips`
   GROUP BY date
   

3. Haz clic en Ejecutar.

   La consulta toma alrededor de 17 segundos en completarse; luego, el modelo (nyc_citibike_arima_model) aparece en el panel de navegación. Debido a que en la consulta se usa una declaración CREATE MODEL para crear un modelo, no se muestran los resultados.

Nota: Quizás te preguntes si las festividades de Estados Unidos tienen un impacto en la serie temporal. Puedes intentar agregar holiday_region='US' a la lista OPTIONS en la consulta. Esto permite un modelado más preciso de esos puntos temporales de las festividades si es que existen patrones de festividades en la serie temporal.

Paso cuatro: Realiza una previsión de las series temporales y visualiza los resultados

Para explicar cómo se prevén las series temporales, visualiza todos los componentes de las series temporales, como la estacionalidad y la tendencia, mediante la función ML.EXPLAIN_FORECAST.

Para ello, haz lo siguiente:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   SELECT
     *
   FROM
     ML.EXPLAIN_FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model`,
                         STRUCT(365 AS horizon, 0.9 AS confidence_level))
   

3. Haz clic en Ejecutar.

4. Una vez completada la consulta, haz clic en el botón Explorar datos y, luego, en Explorar con Looker Studio. Se abrirá una pestaña nueva en el navegador. Luego, en el panel Gráfico, busca el ícono de Gráfico de serie temporal (Time series chart) y haz clic en él, como se muestra en la siguiente captura de pantalla.

   

   Nota: Se abrirá un gráfico en el panel izquierdo. Si ves “Demasiadas filas” en este gráfico, haz clic en “Agregar un gráfico” en la parte superior izquierda de tu pantalla. En el panel desplegable, haz clic en el ícono Gráfico de series temporales.

5. En el panel Datos (Data), haz lo siguiente:

   1. En la sección Dimensión del período (Date Range Dimension), selecciona time_series_timestamp (Date).
   2. En la sección Dimensión (Dimension), selecciona time_series_timestamp (Date).
   3. En la sección Métrica (Metric), quita la métrica predeterminada Record Count y agrega lo siguiente:
      • time_series_data
      • prediction_interval_lower_bound
      • prediction_interval_upper_bound
      • trend
      • seasonal_period_yearly
      • seasonal_period_weekly
      • spikes_and_dips
      • step_changes

   

6. En el panel Estilo (Style), desplázate hacia abajo hasta la opción Datos faltantes (Missing Data) y usa Saltos de línea (Line Breaks) en lugar de Line to zero.

   

   Después de completar estos pasos, aparecerá el siguiente gráfico en el panel izquierdo.

   

Paso cinco: Realiza una previsión de varias series temporales al mismo tiempo

A continuación, es posible que desees prever la cantidad total diaria de viajes a partir de diferentes estaciones de Citi Bike. Para ello debes prever muchas series temporales. Puedes escribir varias consultas de CREATE MODEL, pero puede ser un proceso tedioso y lento, en especial cuando tienes una gran cantidad de series temporales.

A fin de mejorar este proceso, BigQuery ML te permite crear un conjunto de modelos de serie temporal para prever varias series temporales mediante una sola consulta. Además, todos los modelos de serie temporal se ajustan de forma simultánea.

En la siguiente consulta de GoogleSQL, la cláusula CREATE MODEL crea y entrena un conjunto de modelos llamado bqml_tutorial.nyc_citibike_arima_model_group.

 #standardSQL
CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_group`
OPTIONS
  (model_type = 'ARIMA_PLUS',
   time_series_timestamp_col = 'date',
   time_series_data_col = 'num_trips',
   time_series_id_col = 'start_station_name',
   auto_arima_max_order = 5
  ) AS
SELECT
   start_station_name,
   EXTRACT(DATE from starttime) AS date,
   COUNT(*) AS num_trips
FROM
  `bigquery-public-data.new_york.citibike_trips`
WHERE start_station_name LIKE '%Central Park%'
GROUP BY start_station_name, date

La cláusula OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) indica que creas un conjunto de modelos de serie temporal ARIMA_PLUS basados en ARIMA. Además de time_series_timestamp_col y time_series_data_col, debes especificar time_series_id_col, que se usa para anotar series temporales de entrada diferentes. La opción auto_arima_max_order controla el espacio de búsqueda para el ajuste de hiperparámetros en el algoritmo auto.ARIMA. Por último, la instrucción CREATE MODEL usa decompose_time_series=TRUE de forma predeterminada, y los usuarios pueden comprender aún más cómo se analiza la serie temporal en la canalización de entrenamiento si recuperas los resultados de la descomposición.

La cláusula SELECT ... FROM ... GROUP BY ... indica que formas varias series temporales, cada una asociada con un start_station_name diferente. Para simplificar usamos la cláusula WHERE ... LIKE ..., a fin de limitar las estaciones de inicio a aquellas con Central Park en el nombre.

A fin de ejecutar la consulta CREATE MODEL para crear y entrenar el modelo, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_group`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
      time_series_timestamp_col = 'date',
      time_series_data_col = 'num_trips',
      time_series_id_col = 'start_station_name',
      auto_arima_max_order = 5
     ) AS
   SELECT
      start_station_name,
      EXTRACT(DATE from starttime) AS date,
      COUNT(*) AS num_trips
   FROM
     `bigquery-public-data.new_york.citibike_trips`
   WHERE start_station_name LIKE '%Central Park%'
   GROUP BY start_station_name, date
   

3. Haz clic en Ejecutar.

   La consulta tarda unos 24 segundos en completarse; luego, el modelo (nyc_citibike_arima_model_group) aparece en el panel de navegación. Como la consulta usa una declaración CREATE MODEL, no ves los resultados de la consulta.

Nota: Esta consulta crea 12 modelos de serie temporal, uno para cada una de las 12 series temporales de entrada. El costo del tiempo, alrededor de 24 segundos, es solo 1.4 veces mayor que el de crear un solo modelo de serie temporal debido al paralelismo. Sin embargo, si quitas la cláusula WHERE ... LIKE ..., habrá más de 600 series temporales para prever y no se preverán por completo en paralelo debido a la capacidad de la ranura. Como resultado, la consulta puede tardar alrededor de 15 minutos en completarse. Para reducir el tiempo de ejecución de la consulta con la vulneración de una posible disminución leve en la calidad del modelo, puedes disminuir el valor de AUTO_ARIMA_MAX_ORDER por 3 o 4 del valor predeterminado 5. Esto reduce el espacio de búsqueda del ajuste de hiperparámetros en el algoritmo auto.ARIMA. Para obtener más información, consulta Large-scale time series forecasting best practices.

Paso seis: Inspecciona las métricas de evaluación del conjunto de modelos de serie temporal

Después de crear los modelos, puedes usar la función ML.ARIMA_EVALUATE para ver las métricas de evaluación de todos los modelos creados.

En la siguiente consulta de GoogleSQL, la cláusula FROM usa la función ML.ARIMA_EVALUATE en el modelo, bqml_tutorial.nyc_citibike_arima_model_group. Las métricas de evaluación solo dependen de la entrada de entrenamiento, por lo que el modelo es la única entrada.

Para ejecutar la ML.ARIMA_EVALUATE, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   SELECT
    *
   FROM
    ML.ARIMA_EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`)
   

3. Haz clic en Ejecutar.

4. La consulta toma menos de un segundo en completarse. Cuando la consulta finalice, haz clic en la pestaña Resultados debajo del área de texto de la consulta. Los resultados deberían verse de la siguiente manera:

   

   Los resultados incluyen las siguientes columnas:

   • start_station_name
   • non_seasonal_p
   • non_seasonal_d
   • non_seasonal_q
   • has_drift
   • log_likelihood
   • AIC
   • variance
   • seasonal_periods
   • has_holiday_effect
   • has_spikes_and_dips
   • has_step_changes
   • error_message

   start_station_name, la primera columna, anota la serie temporal en la que se ajusta cada modelo de serie temporal. Es lo mismo que especifica time_series_id_col.

   Las siguientes cuatro columnas (non_seasonal_p, non_seasonal_d, non_seasonal_q y has_drift) definen un modelo ARIMA en la canalización de entrenamiento. Las tres métricas posteriores (log_likelihood, AIC y variance) son relevantes para el proceso de ajuste del modelo ARIMA. El proceso de ajuste determina el mejor modelo ARIMA con el algoritmo auto.ARIMA, uno para cada serie temporal.

   Las columnas has_holiday_effect, has_spikes_and_dips y has_step_changes solo se propagan cuando decompose_time_series=TRUE.

   La columna seasonal_periods es el patrón estacional dentro de la serie temporal de entrada. Cada serie temporal puede tener diferentes patrones estacionales. Por ejemplo, en la figura, puedes ver que una serie temporal tiene un patrón anual, mientras que otras no.

Nota: Si bien auto.ARIMA evalúa decenas de modelos candidatos de ARIMA para cada serie temporal, ML.ARIMA_EVALUATE de forma predeterminada solo genera la información del mejor modelo a fin de que la tabla de salida sea compacta. Para ver todos los modelos candidatos, puedes configurar show_all_candidate_models=true.

Paso siete: Inspecciona los coeficientes de los modelos

La función ML.ARIMA_COEFFICIENTS se usa para recuperar los coeficientes del modelo ARIMA_PLUS, bqml_tutorial.nyc_citibike_arima_model_group. ML.ARIMA_COEFFICIENTS toma el modelo como la única entrada.

Para ejecutar la consulta ML.ARIMA_COEFFICIENTS, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   SELECT
    *
   FROM
    ML.ARIMA_COEFFICIENTS(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`)
   

3. Haz clic en Ejecutar.

   La consulta toma menos de un segundo en completarse. Los resultados deberían ser similares a los de la siguiente captura de pantalla:

   

   Los resultados incluyen las siguientes columnas:

   • start_station_name
   • ar_coefficients
   • ma_coefficients
   • intercept_or_drift

   start_station_name, la primera columna, anota la serie temporal en la que se ajusta cada modelo de serie temporal.

   ar_coefficients muestra los coeficientes del modelo de la parte autorregresiva (AR) del modelo ARIMA. De manera similar, ma_coefficients muestra los coeficientes del modelo de la parte de promedio móvil (MA). Ambos son arreglos, cuyas longitudes son iguales a non_seasonal_p y non_seasonal_q, respectivamente. El intercept_or_drift es el término constante en el modelo ARIMA.

Paso ocho: Usa el modelo para prever varias series temporales de forma simultánea con explicaciones

La función ML.EXPLAIN_FORECAST prevé valores de series temporales futuras con un intervalo de predicción mediante el modelo bqml_tutorial.nyc_citibike_arima_model_group y, al mismo tiempo, muestra todos los componentes separados de la serie temporal.

La cláusula STRUCT(3 AS horizon, 0.9 AS confidence_level) indica que la consulta prevé tres puntos de tiempo futuros y genera un intervalo de predicción con una confianza del 90%. La función ML.EXPLAIN_FORECAST toma el modelo, así como algunos argumentos opcionales.

Para ejecutar la consulta ML.EXPLAIN_FORECAST, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   SELECT
    *
   FROM
    ML.EXPLAIN_FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`,
                        STRUCT(3 AS horizon, 0.9 AS confidence_level))
   

3. Haz clic en Ejecutar.

   La consulta toma menos de un segundo en completarse. Los resultados deberían verse como estos:

   

   Los resultados incluyen las siguientes columnas:

   • start_station_name
   • time_series_timestamp
   • time_series_type
   • time_series_data
   • time_series_adjusted_data
   • standard_error
   • confidence_level
   • prediction_interval_lower_bound
   • prediction_interval_lower_bound
   • trend
   • seasonal_period_yearly
   • seasonal_period_quarterly
   • seasonal_period_monthly
   • seasonal_period_weekly
   • seasonal_period_daily
   • holiday_effect
   • spikes_and_dips
   • step_changes
   • residual

   Las filas de salida se ordenan por start_station_name, y para cada start_station_name, las filas de salida están en orden cronológico de time_series_timestamp. Los diferentes componentes se enumeran como columnas del resultado. Para obtener más información, consulta la definición de ML.EXPLAIN_FORECAST.

Paso nueve: Usa el modelo para prever varias series temporales de forma simultánea (opcional)

La función ML.FORECAST también se puede usar para predecir valores de series temporales futuras con un intervalo de predicción mediante tu modelo, bqml_tutorial.nyc_citibike_arima_model_group.

Al igual que ML.EXPLAIN_FORECAST, la cláusula STRUCT(3 AS horizon, 0.9 AS confidence_level) indica que, para cada serie temporal, la consulta predice tres puntos futuros y genera un intervalo de predicción con un 90% de confianza.

La función ML.FORECAST toma el modelo, así como algunos argumentos opcionales.

Para ejecutar la consulta ML.FORECAST, sigue estos pasos:

1. En la consola de Google Cloud, haz clic en el botón Redactar consulta nueva.

2. Ingresa la siguiente consulta de GoogleSQL en el área de texto del Editor de consultas.

   #standardSQL
   SELECT
    *
   FROM
    ML.FORECAST(MODEL `bqml_tutorial.nyc_citibike_arima_model_group`,
                STRUCT(3 AS horizon, 0.9 AS confidence_level))
   

3. Haz clic en Ejecutar.

   La consulta toma menos de un segundo en completarse. Los resultados deberían verse de la siguiente manera:

   

   Los resultados incluyen las siguientes columnas:

   • start_station_name
   • forecast_timestamp
   • forecast_value
   • standard_error
   • confidence_level
   • prediction_interval_lower_bound
   • prediction_interval_upper_bound
   • confidence_interval_lower_bound (próximamente dejará de estar disponible)
   • confidence_interval_upper_bound (próximamente dejará de estar disponible)

   start_station_name, la primera columna, anota la serie temporal en la que se ajusta cada modelo de serie temporal. Cada start_station_name tiene una cantidad de filas de horizonte para los resultados de previsión.

   Para cada start_station_name, las filas de salida se ordenan en el orden cronológico de forecast_timestamp. En la previsión de series temporales, el intervalo de confianza, que capturan los límites inferior y superior, es tan importante como el forecast_value. El forecast_value es el punto medio del intervalo de confianza. El intervalo de confianza depende del standard_error y el confidence_level.

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

• Puedes borrar el proyecto que creaste.
• De lo contrario, puedes mantener el proyecto y borrar el conjunto de datos.

Borra tu conjunto de datos

Borrar tu proyecto quita todos sus conjuntos de datos y tablas. Si prefieres volver a usar el proyecto, puedes borrar el conjunto de datos que creaste en este instructivo:

1. Si es necesario, abre la página de BigQuery en la consola de Google Cloud.

   Ir a la página de BigQuery

2. En el panel de navegación, haz clic en el conjunto de datos bqml_tutorial que creaste.

3. Haz clic en Borrar conjunto de datos para borrar el conjunto de datos, la tabla y todos los datos.

4. En el cuadro de diálogo Borrar conjunto de datos, escribe el nombre del conjunto de datos (bqml_tutorial) para confirmar el comando de borrado y, luego, haz clic en Borrar.

Borra tu proyecto

Para borrar el proyecto, haz lo siguiente:

Precaución: Borrar un proyecto tiene estas consecuencias:

• Se borra todo en el proyecto. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los ID personalizados de proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URL que utilizan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto en lugar de borrar todo el proyecto.

Si planeas explorar varias infraestructuras, instructivos y guías de inicio rápido la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

1. En la consola de Google Cloud, ve a la página Administrar recursos.

   Ir a Administrar recursos

2. En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

¿Qué sigue?

• Obtén información sobre cómo acelerar ARIMA_PLUS para habilitar la previsión de 1 millón de series temporales en horas
• Para obtener más información sobre el aprendizaje automático, consulta el Curso intensivo de aprendizaje automático.
• Para obtener una descripción general de BigQuery ML, consulta Introducción a BigQuery ML.
• Para obtener más información sobre la consola de Google Cloud, consulta Usa la consola de Google Cloud.