Percorso dell'utente end-to-end per ogni modello

BigQuery ML supporta una varietà di modelli di machine learning e un modello flusso di apprendimento per ogni modello, come pre-elaborazione delle caratteristiche, ottimizzazione, inferenza, valutazione ed esportazione del modello degli iperparametri. Il flusso di apprendimento automatico per i modelli è suddiviso nelle seguenti due tabelle:

• Fase di creazione del modello
• Fase di utilizzo del modello

Fase di creazione del modello

Categoria del modello	Tipi di modelli	Creazione del modello	Pre-elaborazione delle funzionalità	Ottimizzazione degli iperparametri	Pesi del modello	Funzionalità e informazioni sull'addestramento	Tutorial
Apprendimento supervisionato	Lineare e regressione logistica	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	regressione classificazione
	Reti neurali profonde (DNN)	create model			N/D^5		N/D
	Largo e Reti profonde	crea modello			N/D^5		N/D
	Modelli boosted tree	create model			N/D^5		N/D
	Foresta casuale	crea modello			N/D^5		N/D
	AutoML per la classificazione e regressione	create model	N/D^3	N/D^3	N/D^5		N/D
Apprendimento non supervisionato	K-means	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	raggruppare le stazioni di ricarica delle biciclette
	fattorizzazione matriciale	crea modello	N/D	Ottimizzazione HP^2 ml.trial_info	ml.weights		feedback esplicito feedback implicito
	Analisi delle componenti principali (PCA)	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	N/D	ml.principal_ components, ml.principal_ component_info		N/D
	Autoencoder	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	N/D^5		N/D
Modelli di serie temporali	ARIMA_PLUS	crea modello	Pre-elaborazione automatica	auto.ARIMA^4	Coefficienti_ml.arima	ml.feature_info ml.training_info	serie singola multi-serie milioni di serie festività personalizzate limitare valori previsti Previsione di serie temporali gerarchiche
	ARIMA_PLUS_XREG	create model	Pre-elaborazione automatica	auto.ARIMA^4	ml.arima_coefficients	ml.feature_info ml.training_info	Previsione di una singola serie temporale
Modelli di IA generativa remoti	Modello remoto su un modello di generazione di testo Vertex AI^6	crea modello	N/D	N/A	N/A	N/D	genera testo con il modello remoto Utilizzare l'ottimizzazione e la valutazione per migliorare il rendimento degli LLM
	Modello remoto su un modello di generazione di embedding di Vertex AI^6	crea modello	N/D	N/A	N/A	N/D	generare incorporamenti di testo con un modello remoto generare incorporamenti di immagini con un modello remoto generare ed eseguire ricerche di embedding multimodali
modelli remoti AI	Modello remoto tramite l'API Cloud Vision	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Cloud Translation	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Cloud Natural Language	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Document AI	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Speech-to-Text	create model	N/D	N/A	N/A	N/A	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	create model	N/D	N/A	N/A	N/D	previsione con modello remoto
Modelli importati	TensorFlow	crea modello	N/D	N/A	N/A	N/D	prendi_previsione con il modello TensorFlow importato
	TensorFlow Lite	create model	N/D	N/A	N/A	N/A	N/D
	ONNX (Open Neural Network Exchange)	crea modello	N/D	N/A	N/A	N/D	Previsione con modelli scikit-learn in formato ONNX Eseguire previsioni con modelli PyTorch in formato ONNX
	XGBoost	create model	N/D	N/A	N/A	N/A	N/D
Modelli solo di trasformazione^7	Solo trasformazione	crea modello	Preelaborazione manuale^1	N/D	N/D	ml.feature_info	N/D
Modelli di analisi del contributo	Analisi del contributo (anteprima)	create model	Pre-elaborazione manuale	N/D	N/A	N/D	Ottenere approfondimenti sui dati da un modello di analisi dei contributi

¹ Consulta il tutorial sulla clausola TRANSFORM per il feature engineering. Per ulteriori informazioni le funzioni di pre-elaborazione, si veda BQML - Tutorial sulle funzioni di feature engineering.

² Consulta il tutorial sull'utilizzo dell'ottimizzazione degli iperparametri per migliorare le prestazioni del modello.

³La feature engineering automatica e l'ottimizzazione degli iperparametri sono integrate per impostazione predefinita nell'addestramento del modello AutoML.

⁴ L'algoritmo auto.ARIMA esegue l'ottimizzazione degli iperparametri per Tendenze. L'ottimizzazione degli iperparametri non è supportata per l'intera modellazione una pipeline o un blocco note personalizzato. Per ulteriori dettagli, consulta la pipeline di modellazione.

⁵BigQuery ML non supporta le funzioni che recuperano i pesi per i modelli di alberi potenziati, foreste casuali, DNN, Wide and Deep, Autoencoder o AutoML. Per visualizzare i pesi di questi modelli, puoi esportare un modello esistente da BigQuery ML in Cloud Storage e utilizzare la libreria XGBoost o la libreria TensorFlow per visualizzare la struttura ad albero per i modelli ad albero o la struttura del grafico per le reti neurali. Per ulteriori informazioni, consulta la documentazione relativa a EXPORT MODEL e il tutorial su EXPORT MODEL.

⁶Utilizza un modello di base Vertex AI o lo personalizza utilizzando l'ottimizzazione supervisionata.

⁷ Non è un tipico modello ML, ma piuttosto un artefatto che trasforma i dati non elaborati in caratteristiche.

Fase di utilizzo del modello

Categoria di modello	Tipi di modello	Valutazione	Inferenza	Spiegazione dell'IA	Monitoraggio del modello	Esportazione del modello	Tutorial
Apprendimento supervisionato	Lineare e regressione logistica	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	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	Esporta modello^5	regressione classificazione
	Reti neurali profonde (DNN)						N/D
	Largo e Reti profonde						N/D
	Modelli boosted tree			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			N/D
	Foresta casuale						N/D
	AutoML per la classificazione e regressione		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		N/D
Apprendimento non supervisionato	K-means	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	N/D	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model^5	stazioni bici in cluster
	fattorizzazione matriciale		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		feedback esplicito feedback implicito
	Analisi delle componenti principali (PCA)		ml.predict ml.generate_embedding ml.detect_anomalies ml.transform		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		N/D
	Autoencoder		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				N/D
Modelli di serie temporali	ARIMA_PLUS	ml.evaluate ml.arima_evaluate^6 ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast^7	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	serie singola multi-serie milioni di serie festività personalizzate limitare valori previsti previsione gerarchica di serie temporali
	ARIMA_PLUS_XREG		ml.forecast ml.detect_anomalies		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		previsione multivariata
Modelli remoti di IA generativa	Modello remoto su un modello di generazione di testo di Vertex AI^9	ml.evaluate^11 (anteprima)	ml.generate_text	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	genera testo con modello remoto utilizzano l'ottimizzazione e la valutazione per migliorare le prestazioni dei modelli LLM
	Modello remoto su un modello di generazione dell'incorporamento di Vertex AI^9	N/D	ml.generate_embedding	N/D		N/D	generare incorporamenti di testo con un modello remoto generare incorporamenti di immagini con un modello remoto generare ed eseguire ricerche di embedding multimodali
modelli remoti AI	Modello remoto tramite l'API Cloud Vision	N/D	ml.annotate_image	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	N/D
	Modello remoto tramite l'API Cloud Translation	N/D	ml.translate	N/D		N/A	N/D
	Modello remoto tramite l'API Cloud Natural Language	N/D	ml.understand_text	N/D		N/A	N/D
	Modello remoto sull'API Document AI	N/D	ml.process_document	N/D		N/A	N/D
	Modello remoto tramite l'API Speech-to-Text	N/D	ml.transcribe	N/D		N/A	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	previsione con modello remoto
Modelli importati	TensorFlow	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	export model^5	fare previsioni con un modello TensorFlow importato
	TensorFlow Lite	N/D	ml.predict	N/D		N/A	N/D
	ONNX (Open Neural Network Exchange)	N/D	ml.predict	N/D		N/D	Eseguire previsioni con i modelli scikit-learn in formato ONNX Previsioni con modelli PyTorch in formato ONNX
	XGBoost	N/D	ml.predict	N/D		N/A	N/D
Modelli solo per la trasformazione^10	Solo trasformazione	N/D	ml.transform	N/D	N/D	Esporta modello^5	N/D
Modelli di analisi del contributo	Analisi del contributo (anteprima)	N/D	ml.get_insights	N/D	N/A	N/D	Ottenere approfondimenti sui dati da un modello di analisi dei contributi

¹ml.confusion_matrix è applicabile solo ai modelli di classificazione.

²ml.roc_curve è applicabile solo ai modelli di classificazione binaria.

³ml.explain_predict è una versione estesa di ml.predict. Per ulteriori informazioni, consulta la panoramica dell'IA spiegabile. Per scoprire come viene utilizzato ml.explain_predict, consulta il tutorial sulla regressione e il tutorial sulla classificazione.

⁴Per la differenza tra ml.global_explain e ml.feature_importance, consulta Panoramica di Explainable AI.

⁵ Consulta il tutorial Esporta un modello BigQuery ML per la previsione online. Per maggiori informazioni informazioni sulla pubblicazione online, consulta BQML - Tutorial sulla creazione di un modello con trasposizione in linea.

⁶Per i modelli ARIMA_PLUS o ARIMA_PLUS_XREG, ml.evaluate può utilizzare nuovi dati come input per calcolare le metriche di previsione, come l'errore percentuale assoluto medio (MAPE). In assenza di nuovi dati, ml.evaluate ha una versione estesa ml.arima_evaluate che genera informazioni di valutazione diverse.

⁷ml.explain_forecast è una versione estesa di ml.forecast. Per ulteriori informazioni, consulta la panoramica dell'IA spiegabile. Per scoprire come viene utilizzato ml.explain_forecast, guarda i passaggi sulla visualizzazione dei risultati dei tutorial sulla previsione di serie temporali singole e sulla previsione di più serie temporali.

⁸ml.advanced_weights è una versione estesa di ml.weights, consulta ml.advanced_weights per ulteriori dettagli.

⁹ Utilizza un Modello di base di Vertex AI o la personalizza con l'ottimizzazione supervisionata.

¹⁰Non è un tipico modello ML, ma un artefatto che trasforma i dati non elaborati in caratteristiche.

¹¹ Funzionalità non supportata per tutti gli LLM Vertex AI. Per ulteriori informazioni, vedi ml.evaluate.