機器學習模型的端對端使用者歷程

本文說明在 BigQuery ML 中訓練的機器學習模型使用者歷程，包括可用於處理機器學習模型的陳述式和函式。BigQuery ML 提供下列類型的機器學習模型：

• 監督式學習模型：

  • 線性迴歸和邏輯迴歸
  • 深層類神經網路 (DNN)
  • 廣度和深度
  • 強化型樹狀結構
  • 隨機森林
  • AutoML

• 非監督式學習模型：

  • K-means 分群模型
  • 矩陣分解
  • 自動編碼器
  • 主成分分析 (PCA)

• 僅轉換模型：僅轉換模型並非一般的機器學習模型，而是將原始資料轉換為特徵的構件。

模型建立使用者歷程

下表說明可用於建立及調整模型的陳述式和函式：

模型類別	模型類型	模型建立	預先處理特徵	超參數調整^1	模型權重	功能和訓練資訊	教學課程
監督式學習	線性與邏輯迴歸	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	使用線性迴歸預測企鵝體重 使用邏輯迴歸模型執行分類
	深層類神經網路 (DNN)	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	不適用^2	ML.FEATURE _INFO ML.TRAINING _INFO	不適用
	廣度和深度網路	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	不適用^2	ML.FEATURE _INFO ML.TRAINING _INFO	不適用
	提升樹	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	不適用^2	ML.FEATURE _INFO ML.TRAINING _INFO	使用提升樹模型執行分類
	隨機森林	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	不適用^2	ML.FEATURE _INFO ML.TRAINING _INFO	不適用
	AutoML 分類和迴歸	CREATE MODEL	AutoML 會自動執行特徵工程	AutoML 會自動執行超參數調整	不適用^2	ML.FEATURE _INFO ML.TRAINING _INFO	不適用
非監督式學習	K-means	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	ML.CENTROIDS	ML.FEATURE _INFO ML.TRAINING _INFO	找出單車租借站資料中的叢集
	矩陣分解	CREATE MODEL	不適用	超參數調整 ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	使用明確意見回饋生成電影推薦 使用隱含意見回饋生成內容推薦
	主成分分析 (PCA)	CREATE MODEL	自動預先處理 手動預先處理	不適用	ML.PRINCIPAL _COMPONENTS ML.PRINCIPAL _COMPONENT _INFO	ML.FEATURE _INFO ML.TRAINING _INFO	不適用
	自動編碼器	CREATE MODEL	自動預先處理 手動預先處理	超參數調整 ML.TRIAL _INFO	不適用^2	ML.FEATURE _INFO ML.TRAINING _INFO	不適用
僅轉換	僅轉換	CREATE MODEL	手動預先處理	不適用	不適用	ML.FEATURE _INFO	不適用

¹如需使用超參數調整的逐步範例，請參閱「透過超參數調整提升模型效能」。

²BigQuery ML 不提供擷取此模型權重的函式。如要查看模型權重，請將模型從 BigQuery ML 匯出至 Cloud Storage，然後使用 XGBoost 程式庫或 TensorFlow 程式庫，以視覺化方式呈現樹狀模型的樹狀結構，或類神經網路的圖形結構。詳情請參閱EXPORT MODEL和「匯出 BigQuery ML 模型以進行線上預測」。

使用使用者歷程模型

下表說明可用於評估、說明及取得模型預測結果的陳述式和函式：

模型類別	模型類型	評估	推論	AI 說明	模型監控
監督式學習	線性與邏輯迴歸	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	深層類神經網路 (DNN)	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	廣度和深度網路	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	提升樹	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE^4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	隨機森林	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE^4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	AutoML 分類和迴歸	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT	ML.GLOBAL_EXPLAIN	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
非監督式學習	K-means	ML.EVALUATE	ML.PREDICT ML.DETECT _ANOMALIES ML.TRANSFORM	不適用	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	矩陣分解	ML.EVALUATE	ML.RECOMMEND ML.GENERATE _EMBEDDING	不適用	不適用
	主成分分析 (PCA)	ML.EVALUATE	ML.PREDICT ML.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.TRANSFORM	不適用	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	自動編碼器	ML.EVALUATE	ML.PREDICT ML.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.RECONSTRUCTION _LOSS ML.TRANSFORM	不適用	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
僅轉換	僅轉換	不適用	ML.TRANSFORM	不適用	不適用

¹ML.CONFUSION_MATRIX 僅適用於分類模型。

²ML.ROC_CURVE 僅適用於二元分類模型。

³ ML.EXPLAIN_PREDICT 函式包含 ML.PREDICT 函式，因為其輸出內容是 ML.PREDICT 結果的超集。

⁴如要瞭解 ML.GLOBAL_EXPLAIN 和 ML.FEATURE_IMPORTANCE 之間的差異，請參閱可解釋的 AI 總覽。

⁵：ML.ADVANCED_WEIGHTS 函式包含 ML.WEIGHTS 函式，因為其輸出內容是 ML.WEIGHTS 結果的超集。