Eseguire il feature engineering con la clausola TRANSFORM

---

Questo tutorial introduce BigQuery ML agli analisti di dati. BigQuery ML consente agli utenti di creare ed eseguire modelli di machine learning in BigQuery utilizzando query SQL. Questo tutorial introduce l'ingegneria delle funzionalità utilizzando la clausola TRANSFORM. Utilizzando la clausola TRANSFORM, puoi specificare tutte le operazioni di pre-elaborazione durante la creazione del modello. La pre-elaborazione viene applicata automaticamente durante le fasi di previsione e valutazione del machine learning.

In questo tutorial utilizzi Tabella di esempio natality per creare un modello che preveda il peso alla nascita di un bambino in base al genere, durata della gravidanza e dati demografici suddivisi in bucket sulla madre. La tabella di esempio natality contiene informazioni su ogni nascita negli Stati Uniti in un periodo di 40 anni.

Obiettivi

In questo tutorial utilizzi:

• BigQuery ML per creare un modello di regressione lineare utilizzando l'istruzione CREATE MODEL con la clausola TRANSFORM
• Le funzioni di pre-elaborazione ML.FEATURE_CROSS e ML.QUANTILE_BUCKETIZE
• La funzione ML.EVALUATE per valutare il modello ML
• La funzione ML.PREDICT per fare previsioni utilizzando il modello ML

Costi

Questo tutorial utilizza componenti fatturabili di Google Cloud, tra cui:

• BigQuery
• BigQuery ML

Per ulteriori informazioni sui costi di BigQuery, consulta la pagina Prezzi di BigQuery.

Prima di iniziare

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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. Make sure that billing is enabled for your Google Cloud project.

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. Make sure that billing is enabled for your Google Cloud project.

6. BigQuery viene abilitato automaticamente nei nuovi progetti. Per attivare BigQuery in un progetto preesistente, vai a

   Enable the BigQuery API.

   Enable the API

Passaggio 1: crea il set di dati

Crea un set di dati BigQuery per archiviare il tuo modello ML:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai alla pagina di BigQuery

2. Nel riquadro Explorer, fai clic sul nome del tuo progetto.

3. Fai clic su Visualizza azioni > Crea set di dati.

   

4. Nella pagina Crea set di dati, segui questi passaggi:

   • In ID set di dati, inserisci bqml_tutorial.

   • Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).

     I set di dati pubblici vengono archiviati nell'US più regioni. Per semplicità, per archiviare il set di dati nella stessa posizione.

   • Lascia invariate le restanti impostazioni predefinite e fai clic su Crea il set di dati.

     

Passaggio 2: crea il modello

Quindi, crea un modello di regressione lineare utilizzando il campione di natalità per BigQuery. La seguente query GoogleSQL viene utilizzata per creare il modello che utilizzerai per prevedere il peso alla nascita di un bambino.

#standardSQL
CREATE MODEL `bqml_tutorial.natality_model`
TRANSFORM(weight_pounds,
    is_male,
    gestation_weeks,
    ML.QUANTILE_BUCKETIZE(mother_age,
      5) OVER() AS bucketized_mother_age,
    CAST(mother_race AS string) AS mother_race,
    ML.FEATURE_CROSS(STRUCT(is_male,
        CAST(mother_race AS STRING) AS mother_race)) is_male_mother_race)
OPTIONS
  (model_type='linear_reg',
    input_label_cols=['weight_pounds']) AS
SELECT
  *
FROM
  `bigquery-public-data.samples.natality`
WHERE
  weight_pounds IS NOT NULL
  AND RAND() < 0.001

Oltre a creare il modello, l'esecuzione del comando CREATE MODEL addestra il modello che crei.

Dettagli query

La clausola CREATE MODEL viene utilizzata per creare e addestrare il modello denominato bqml_tutorial.natality_model.

OPTIONS(model_type='linear_reg', input_label_cols=['weight_pounds']) indica che viene creata regressione lineare un modello di machine learning. Una regressione lineare è un tipo di modello di regressione che genera un valore continuo da una combinazione lineare di caratteristiche di input. La colonna weight_pounds è la colonna dell'etichetta di input. Per i modelli di regressione lineare, la colonna dell'etichetta deve avere valori reali (ovvero i valori della colonna devono essere numeri reali).

La clausola TRANSFORM di questa query utilizza le seguenti colonne della tabella SELECT :

• weight_pounds: il peso del bambino in libbre (FLOAT64).
• is_male: il sesso del bambino. TRUE se il bambino è maschio, FALSE se femmina (BOOL).
• gestation_weeks: il numero di settimane di gravidanza (INT64).
• mother_age: l'età della madre al momento del parto (INT64).
• mother_race: la razza della madre (INT64). Questo valore intero è uguale al valore child_race nello schema della tabella. Per forzare BigQuery ML, trattare mother_race come una caratteristica non numerica, con ogni un valore distinto che rappresenta una categoria diversa, la query trasmette mother_race a STRING. Questo è importante perché è più probabile che il gruppo etnico hanno più significato come categoria rispetto a un numero intero, che ha ordinamento e scala.

Tramite la clausola TRANSFORM, le funzionalità originali vengono pre-elaborate per alimentare durante l'addestramento. Le colonne generate sono:

• weight_pounds: approvata così com'è, senza alcuna modifica.
• is_male: trasmesso al feed durante la formazione.
• gestation_weeks: superato nel feed durante l'addestramento.
• bucketized_mother_age: generato da mother_age da suddivisione in bucket di mother_age in base ai quantili utilizzando funzione analitica ML.QUANTILE_BUCKETIZE().
• mother_race: formato di stringa dell'mother_race originale.
• is_male_mother_race: generato dall'incrocio con is_male e mother_race utilizzando la funzione ML.FEATURE_CROSS.

L'istruzione SELECT della query fornisce le colonne che puoi utilizzare nella Clausola TRANSFORM. Tuttavia, non è necessario utilizzare tutte le colonne nella clausola TRANSFORM. Di conseguenza, puoi selezionare le caratteristiche all'interno della clausola TRANSFORM.

La clausola FROM, bigquery-public-data.samples.natality, indica che stai eseguendo query sulla tabella di esempio natalità nel set di dati samples. Questo set di dati si trova nel progetto bigquery-public-data.

La clausola WHERE, WHERE weight_pounds IS NOT NULL AND RAND() < 0.001, esclude righe in cui il peso è NULL e utilizza la funzione RAND per disegnare un campione casuale dei dati.

Esegui la query CREATE MODEL

Per eseguire la query CREATE MODEL in modo da creare e addestrare il modello:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   CREATE MODEL `bqml_tutorial.natality_model`
   TRANSFORM(weight_pounds,
       is_male,
       gestation_weeks,
       ML.QUANTILE_BUCKETIZE(mother_age,
         5) OVER() AS bucketized_mother_age,
       CAST(mother_race AS string) AS mother_race,
       ML.FEATURE_CROSS(STRUCT(is_male,
           CAST(mother_race AS STRING) AS mother_race)) is_male_mother_race)
   OPTIONS
     (model_type='linear_reg',
       input_label_cols=['weight_pounds']) AS
   SELECT
     *
   FROM
     `bigquery-public-data.samples.natality`
   WHERE
     weight_pounds IS NOT NULL
     AND RAND() < 0.001

3. Fai clic su Esegui.

   Il completamento della query richiede circa 30 secondi, dopodiché il tuo modello (natality_model) viene visualizzato nel pannello di navigazione. Poiché utilizza un'istruzione CREATE MODEL per creare una tabella, che non vedi i risultati della query.

(Facoltativo) Passaggio 3: ottieni le statistiche di addestramento

Per vedere i risultati dell'addestramento del modello, puoi utilizzare ML.TRAINING_INFO o visualizzare le statistiche nella console Google Cloud. In questo tutorial utilizzi la console Google Cloud.

Un algoritmo di machine learning crea un modello esaminando molti esempi e cercando di trovare un modello che minimizzi la perdita. Questo processo è chiamato minimizzazione empirica del rischio.

La perdita è la penalità per una previsione errata, un numero che indica la qualità della previsione del modello su un singolo esempio. Se il modello la previsione è perfetta, la perdita è zero; altrimenti la perdita è maggiore. La l'obiettivo dell'addestramento di un modello è trovare un insieme di ponderazioni e bias con perdita, in media, in tutti gli esempi.

Per visualizzare le statistiche di addestramento del modello generate durante l'esecuzione della queryCREATE MODEL:

1. Nel pannello di navigazione della console Google Cloud, nella sezione Risorse, espandi project-name > bqml_tutorial e poi fai clic su natality_model.

2. Fai clic sulla scheda Addestramento e per Visualizza come seleziona l'opzione Tabella. I risultati dovrebbero essere simili ai seguenti:

   +-----------+--------------------+----------------------+--------------------+
   | Iteration | Training data loss | Evaluation data loss | Duration (seconds) |
   +-----------+--------------------+----------------------+--------------------+
   | 0         | 1.6640             | 1.7352               | 6.27               |
   +-----------+--------------------+----------------------+--------------------+
   

   La colonna Perdita di dati di addestramento rappresenta la metrica relativa alla perdita calcolata dopo che il modello è stato addestrato sul set di dati di addestramento. Poiché hai eseguito una regressione lineare, questa colonna rappresenta l'errore quadratico medio.

   La colonna Perdita di dati di valutazione è la stessa metrica di perdita calcolata sul set di dati di esclusione (dati esclusi dall'addestramento per convalidare il modello). La strategia di ottimizzazione predefinita utilizzata per l'addestramento è "normal_equation", pertanto è necessaria una sola iterazione per convergere al modello finale.

   Per ulteriori informazioni sull'opzione optimize_strategy, consulta le Dichiarazione CREATE MODEL.

   Per ulteriori informazioni sulla funzione ML.TRAINING_INFO e sulla "optimize_strategy" l'opzione di addestramento, Riferimento alla sintassi di BigQuery ML.

Passaggio 4: valuta il modello

Dopo aver creato il modello, valutiamo le prestazioni del classificatore mediante la funzione ML.EVALUATE. La funzione ML.EVALUATE valuta i valori previsti rispetto ai dati effettivi.

La query utilizzata per valutare il modello è la seguente:

#standardSQL
SELECT
  *
FROM
  ML.EVALUATE(MODEL `bqml_tutorial.natality_model`,
    (
    SELECT
      *
    FROM
      `bigquery-public-data.samples.natality`
    WHERE
      weight_pounds IS NOT NULL))

Dettagli query

L'istruzione SELECT superiore recupera le colonne dal modello.

La clausola FROM utilizza la funzione ML.EVALUATE rispetto al tuo modello: bqml_tutorial.natality_model.

L'istruzione SELECT e la clausola FROM nidificate di questa query sono le stesse della query CREATE MODEL. Poiché la clausola TRANSFORM viene usata nell'addestramento, Non devi specificare colonne e trasformazioni specifiche. Sono ripristinato automaticamente.

La clausola WHERE, WHERE weight_pounds IS NOT NULL, esclude di righe in cui il peso è NULL.

Nota: puoi anche richiamare la funzione ML.EVALUATE senza fornire l'input e i dati di Google Cloud. La funzione utilizza le metriche di valutazione calcolate durante l'addestramento:

#standardSQL
SELECT
  *
FROM
  ML.EVALUATE(MODEL `bqml_tutorial.natality_model`)

Esegui la query ML.EVALUATE

Per eseguire la query ML.EVALUATE che valuta il modello, completa la seguenti passaggi:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
     *
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.natality_model`,
       (
       SELECT
         *
       FROM
         `bigquery-public-data.samples.natality`
       WHERE
         weight_pounds IS NOT NULL))

3. (Facoltativo) Per impostare la località di elaborazione, nell'elenco a discesa Altro, fai clic su Impostazioni query. In Località di elaborazione, scegli Stati Uniti (US). Questo passaggio è facoltativo perché la località di elaborazione viene rilevata automaticamente in base sulla posizione del set di dati.

   

4. Fai clic su Esegui.

5. Una volta completata la query, fai clic sulla scheda Risultati sotto il testo della query. in ogni area. I risultati dovrebbero essere simili ai seguenti:

   +---------------------+--------------------+------------------------+---------------------+---------------------+----------------------+
   | mean_absolute_error | mean_squared_error | mean_squared_log_error | mean_absolute_error | r2_score            | explained_variance   |
   +---------------------+--------------------+------------------------+---------------------+---------------------+----------------------+
   | 0.9566580179970666  | 1.6756289722442677 | 0.034241471462096516   | 0.7385590721661188  | 0.04650972930257946 | 0.046516832131241026 |
   +---------------------+--------------------+------------------------+---------------------+---------------------+----------------------+
   

   Poiché hai eseguito una regressione lineare, i risultati includono le seguenti colonne:

   • mean_absolute_error
   • mean_squared_error
   • mean_squared_log_error
   • median_absolute_error
   • r2_score
   • explained_variance

Una metrica importante nei risultati della valutazione è il coefficiente R². Il punteggio R² è una misura statistica che determina se il le previsioni della regressione lineare si avvicinano ai dati effettivi. Un valore 0 indica che il modello non spiega nessuna delle variabilità dei dati di risposta intorno alla media. Un valore 1 indica che il modello spiega tutte le variabilità dei dati di risposta attorno alla media.

Passaggio 5: utilizza il modello per prevedere i risultati

Ora che hai valutato il modello, il passaggio successivo consiste nell'utilizzarlo per prevedere un risultato. Puoi utilizzare il tuo modello per prevedere il peso alla nascita di tutti i bambini nati in Wyoming.

La query utilizzata per prevedere il risultato è la seguente:

#standardSQL
SELECT
  predicted_weight_pounds
FROM
  ML.PREDICT(MODEL `bqml_tutorial.natality_model`,
    (
    SELECT
      *
    FROM
      `bigquery-public-data.samples.natality`
    WHERE
      state = "WY"))

Dettagli query

L'istruzione SELECT più in alto recupera la colonna predicted_weight_pounds. Questa colonna viene generata dalla funzione ML.PREDICT. Quando utilizzi il ML.PREDICT, il nome della colonna di output per il modello è predicted_label_column_name. Per la regressione lineare , predicted_label è il valore stimato di label. Per i modelli di regressione logistica, predicted_label è una delle due etichette di input a seconda di quale etichetta ha la probabilità prevista più elevata.

La funzione ML.PREDICT viene utilizzata per prevedere i risultati mediante il modello bqml_tutorial.natality_model.

L'istruzione SELECT e la clausola FROM nidificate di questa query sono le stesse della query CREATE MODEL. Tieni presente che non è necessario specificare necessariamente tutte le colonne come durante l'addestramento e sono obbligatorie solo quelle utilizzate nella clausola TRANSFORM. Come per ML.EVALUATE, le trasformazioni all'interno di TRANSFORM vengono ripristinate automaticamente.

La clausola WHERE, WHERE state = "WY", indica che stai limitando la previsione allo stato del Wyoming.

Esegui la query ML.PREDICT

Per eseguire la query che utilizza il modello per prevedere un risultato:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la seguente query GoogleSQL nell'area di testo Editor query.

   #standardSQL
   SELECT
     predicted_weight_pounds
   FROM
     ML.PREDICT(MODEL `bqml_tutorial.natality_model`,
       (
       SELECT
         *
       FROM
         `bigquery-public-data.samples.natality`
       WHERE
         state = "WY"))

3. (Facoltativo) Per impostare la località di elaborazione, nell'elenco a discesa Altro, fai clic su Impostazioni query. In Località di elaborazione, scegli Stati Uniti (US). Questo passaggio è facoltativo perché la località di elaborazione viene rilevata automaticamente in base sulla posizione del set di dati.

   

4. Fai clic su Esegui.

5. Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. I risultati dovrebbero essere simili ai seguenti:

   +----------------------------+
   | predicted_weight_pounds    |
   +----------------------------+
   |  7.735962399307027         |
   +----------------------------+
   |  7.728855793480761         |
   +----------------------------+
   |  7.383850250400428         |
   +----------------------------+
   | 7.4132677633242565         |
   +----------------------------+
   |  7.734971309702814         |
   +----------------------------+
   

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

• Puoi eliminare il progetto che hai creato.
• In alternativa, puoi mantenere il progetto ed eliminare il set di dati.

Eliminare il set di dati

L'eliminazione del progetto rimuove tutti i set di dati e tutte le tabelle nel progetto. Se se preferisci riutilizzare il progetto, puoi eliminare il set di dati creato tutorial:

1. Se necessario, apri la pagina BigQuery nel nella console Google Cloud.

   Vai alla pagina di BigQuery

2. Nel riquadro di navigazione, fai clic sul set di dati bqml_tutorial che hai creato.

3. Sul lato destro della finestra, fai clic su Elimina set di dati. Questa azione il set di dati, la tabella e tutti i dati.

4. Nella finestra di dialogo Elimina set di dati, conferma il comando di eliminazione digitando il nome del set di dati (bqml_tutorial) e fai clic su Elimina.

Elimina il progetto

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini elimini anche tutto il lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Passaggi successivi

• Per saperne di più sul machine learning, consulta Machine Learning Crash Course.
• Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
• Per scoprire di più sulla console Google Cloud, consulta Utilizzare la console Google Cloud.