각 모델의 엔드 투 엔드 사용자 경험
BigQuery ML은 기능 사전 처리, 모델 생성, 하이퍼파라미터 조정, 추론, 평가, 모델 내보내기 등 각 모델에 대해 다양한 머신러닝 모델 및 전체 머신러닝 흐름을 지원합니다. 모델의 머신러닝 흐름은 다음 두 테이블로 분할됩니다.
모델 생성 단계
모델 카테고리 | 모델 유형 | 모델 생성 | 기능 사전 처리 | 하이퍼파라미터 조정 | 모델 가중치 | 기능 및 학습 정보 | 튜토리얼 |
---|---|---|---|---|---|---|---|
지도 학습 | 선형 및 로지스틱 회귀 | 모델 생성 | 자동 사전 처리, 수동 사전 처리1 |
HP 조정2 ml.trial_info |
ml.weights | ml.feature_info ml.training_info |
|
심층신경망(DNN) | 모델 생성 | 해당 사항 없음5 | 해당 사항 없음 | ||||
와이드 앤 딥 네트워크 | 모델 생성 | 해당 사항 없음5 | 해당 사항 없음 | ||||
부스티드 트리 | 모델 생성 | 해당 사항 없음5 | 해당 사항 없음 | ||||
랜덤 포레스트 | 모델 생성 | 해당 사항 없음5 | 해당 사항 없음 | ||||
AutoML 분류 및 회귀 | 모델 생성 | 해당 사항 없음3 | 해당 사항 없음3 | 해당 사항 없음5 | 해당 사항 없음 | ||
비지도 학습 | k-평균 | 모델 생성 | 자동 사전 처리, 수동 사전 처리1 |
HP 조정2 ml.trial_info |
ml.centroids | ml.feature_info ml.training_info |
자전거 정거장 클러스터링 |
행렬 분해 | 모델 생성 | 해당 사항 없음 | HP 조정2 ml.trial_info |
ml.weights | |||
주 구성원 구성요소 분석(PCA) | 모델 생성 | 자동 사전 처리, 수동 사전 처리1 |
해당 사항 없음 | ml.principal_ components, ml.principal_ component_info |
해당 사항 없음 | ||
Autoencoder | 모델 생성 | 자동 사전 처리, 수동 사전 처리1 |
HP 조정2 ml.trial_info |
해당 사항 없음5 | 해당 사항 없음 | ||
시계열 모델 | ARIMA_PLUS | 모델 생성 | 자동 사전 처리 | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
|
ARIMA_PLUS_XREG | 모델 생성 | 자동 사전 처리 | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
단일 시계열 예측 | |
생성형 AI 원격 모델 | Vertex AI 텍스트 생성 모델을 통한 원격 모델6 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
Vertex AI 임베딩 생성 모델을 통한 원격 모델6 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | ||
AI 원격 모델 | Cloud Vision API를 통한 원격 모델 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 |
Cloud Translation API를 통한 원격 모델 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
Cloud Natural Language API를 통한 원격 모델 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
Document AI API를 통한 원격 모델 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
Speech-to-Text API를 통한 원격 모델 |
모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
원격 모델 | Vertex AI 엔드포인트가 있는 원격 모델 | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 원격 모델을 사용하여 예측 |
가져온 모델 | TensorFlow | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 가져온 TensorFlow 모델을 사용해 예측 |
TensorFlow Lite | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
개방형 신경망 교환(ONNX) | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | ||
XGBoost | 모델 생성 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | |
변환 전용 모델7 | Transform-only | 모델 생성 | 수동 사전 처리1 | 해당 사항 없음 | 해당 사항 없음 | ml.feature_info | 해당 사항 없음 |
기여 분석 모델 | 기여 분석 (미리보기) |
모델 생성 | 수동 사전 처리 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 기여 분석 모델에서 데이터 통계 가져오기 |
1특성 추출을 위한 TRANSFORM 절 튜토리얼을 참조하세요. 사전 처리 함수에 대한 자세한 내용은 BQML - 특성 추출 함수 튜토리얼을 참조하세요.
2하이퍼파라미터 조정을 사용하여 모델 성능 개선 튜토리얼을 참조하세요.
3자동 특성 추출 및 하이퍼파라미터 조정은 기본적으로 AutoML 모델 학습에 포함되어 있습니다.
4auto.ARIMA 알고리즘은 트렌드 모듈에 대한 하이퍼파라미터 조정을 수행합니다. 하이퍼파라미터 조정은 전체 모델링 파이프라인에서 지원되지 않습니다. 자세한 내용은 모델링 파이프라인을 참조하세요.
5BigQuery ML은 부스티드 트리, 랜덤 포레스트, DNN, 와이드 앤 딥, Autoencoder, AutoML 모델의 가중치를 검색하는 함수를 지원하지 않습니다. 이러한 모델의 가중치를 보려면 BigQuery ML에서 Cloud Storage로 기존 모델을 내보내고 XGBoost 라이브러리 또는 TensorFlow 라이브러리를 사용하여 트리 모델의 트리 구조 또는 신경망의 그래프 구조를 시각화할 수 있습니다. 자세한 내용은 EXPORT MODEL 문서 및 EXPORT MODEL 튜토리얼을 참조하세요.
6Vertex AI 파운데이션 모델을 사용하거나 지도 조정을 사용하여 맞춤설정합니다.
7일반적인 ML 모델이 아니라 원시 데이터를 특성으로 변환하는 아티팩트입니다.
모델 사용 단계
1ml.confusion_matrix
는 분류 모델에만 적용됩니다.
2ml.roc_curve
는 이진 분류 모델에만 적용됩니다.
3ml.explain_predict
는 ml.predict
의 확장된 버전입니다.
자세한 내용은 Explainable AI 개요를 참조하세요.
ml.explain_predict
사용 방법은 회귀 튜토리얼 및 분류 튜토리얼을 참조하세요.
4ml.global_explain
와 ml.feature_importance
사이의 차이점은 Explainable AI 개요를 참조하세요.
5온라인 예측을 위해 BigQuery ML 모델 내보내기 튜토리얼을 참조하세요. 온라인 서빙에 대한 자세한 내용은 BQML - 인라인 전치기를 사용하여 모델 만들기 튜토리얼을 참조하세요.
6ARIMA_PLUS
또는 ARIMA_PLUS_XREG
모델의 경우 ml.evaluate
가 새 데이터를 입력으로 사용해서 평균 절대 백분율 오차(MAPE)와 같은 예측 측정항목을 계산할 수 있습니다. 새 데이터가 없으면 ml.evaluate
에 다른 평가 정보를 출력하는 확장된 버전 ml.arima_evaluate
가 포함됩니다.
7ml.explain_forecast
는 ml.forecast
의 확장된 버전입니다.
자세한 내용은 Explainable AI 개요를 참조하세요.
ml.explain_forecast
사용 방법은 단일 시계열 예측 및 멀티 시계열 예측 튜토리얼의 결과 시각화 단계를 참조하세요.
8ml.advanced_weights
는 ml.weights
의 확장된 버전입니다. 자세한 내용은 ml.advanced_weights를 참조하세요.
9Vertex AI 파운데이션 모델을 사용하거나 지도 조정을 사용하여 맞춤설정합니다.
10일반적인 ML 모델이 아니라 원시 데이터를 특성으로 변환하는 아티팩트입니다.
11일부 Vertex AI LLM에서는 지원되지 않습니다. 자세한 내용은 ml.evaluate를 참고하세요.