本頁面由 Cloud Translation API 翻譯而成。

每個模型的端對端使用者歷程

BigQuery ML 支援各種機器學習模型，以及每個模型的完整機器學習流程，例如特徵預先處理、模型建立、超參數調整、推論、評估和模型匯出。模型的機器學習流程分為下列兩個表格：

模型建立階段
模型使用階段

模型建立階段

模型類別	模型類型	建立模型	特徵預先處理	超參數調整	模型權重	功能與訓練資訊	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¹	HP 調整² ml.trial_info	ml.weights	ml.feature_info ml.training_info	回歸分類
	深層類神經網路 (DNN)	create model			不適用⁵		不適用
	廣度和深度網路	create model			不適用⁵		不適用
	強化型樹狀結構	create model			不適用⁵		不適用
	隨機森林	create model			不適用⁵		不適用
	AutoML 分類和迴歸	create model	不適用³	不適用³	不適用⁵		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¹	HP 調整² ml.trial_info	ml.centroids	ml.feature_info ml.training_info	自行車站叢集
	矩陣分解	create model	不適用	HP 調整² ml.trial_info	ml.weights		明確的意見回饋隱含回饋
	主成分分析 (PCA)	create model	自動預先處理、手動預先處理¹	不適用	ml.principal_ components, ml.principal_ component_info		不適用
	自動編碼器	create model	自動預先處理、手動預先處理¹	HP 調整² ml.trial_info	不適用⁵		不適用
時間序列模型	ARIMA_PLUS	create model	自動預先處理	auto.ARIMA⁴	ml.arima_ coefficients	ml.feature_info ml.training_info	單一系列叢書多系列數百萬個系列叢書自訂假日限制預估值階層式時間序列預測
	ARIMA_PLUS_XREG	create model	自動預先處理	auto.ARIMA⁴	ml.arima_ coefficients	ml.feature_info ml.training_info	預測單一時間序列預測多個時間序列
	TimesFM	不適用	不適用	不適用	不適用	不適用	預測多個時間序列
生成式 AI 遠端模型	透過 Vertex AI 文字生成模型的遠端模型⁶	create model	不適用	不適用	不適用	不適用	使用遠端模型產生文字使用調整和評估功能改善 LLM 效能
生成式 AI 遠端模型	透過 Vertex AI 嵌入生成模型的遠端模型⁶	create model	不適用	不適用	不適用	不適用	使用遠端模型產生文字嵌入使用遠端模型產生圖像嵌入資料產生及搜尋多模態嵌入
AI 遠端模型	透過 Cloud Vision API 使用遠端模型	create model	不適用	不適用	不適用	不適用	不適用
	透過 Cloud Translation API 使用遠端模型	create model	不適用	不適用	不適用	不適用	不適用
	透過 Cloud Natural Language API 使用遠端模型	create model	不適用	不適用	不適用	不適用	不適用
	透過 Document AI API 使用遠端模型	create model	不適用	不適用	不適用	不適用	不適用
	透過 Speech-to-Text API 使用遠端模型	create model	不適用	不適用	不適用	不適用	不適用
遠端模型	含有 Vertex AI 端點的遠端模型	create model	不適用	不適用	不適用	不適用	使用遠端模型進行預測
匯入的模型	TensorFlow	create model	不適用	不適用	不適用	不適用	使用匯入的 TensorFlow 模型進行預測
	TensorFlow Lite	create model	不適用	不適用	不適用	不適用	不適用
	開放類神經網路交換格式 (ONNX)	create model	不適用	不適用	不適用	不適用	使用 ONNX 格式的 scikit-learn 模型進行預測使用 ONNX 格式的 PyTorch 模型進行預測
	XGBoost	create model	不適用	不適用	不適用	不適用	不適用
僅轉換模型⁷	僅限轉換	create model	手動預先處理¹	不適用	不適用	ml.feature_info	不適用
貢獻分析模型	貢獻分析	create model	手動預先處理	不適用	不適用	不適用	從貢獻度分析模型取得資料洞察

¹請參閱「特徵工程的 TRANSFORM 子句」教學課程。如要進一步瞭解預先處理函式，請參閱 BQML - 特徵工程函式教學課程。

²請參閱「使用超參數調整來改善模型效能」教學課程。

³AutoML 模型訓練作業預設會內嵌自動特徵工程和超參數調整功能。

⁴auto.ARIMA 演算法會為趨勢模組執行超參數調整。整個建模管道不支援超參數調整。詳情請參閱建模管道。

⁵BigQuery ML 不支援用於擷取增強型樹狀模型、隨機森林、深層類神經網路、寬廣與深度、自編碼或 AutoML 模型的權重函式。如要查看這些模型的權重，您可以將現有模型從 BigQuery ML 匯出至 Cloud Storage，然後使用 XGBoost 程式庫或 TensorFlow 程式庫，以圖表呈現樹狀模型的樹狀結構，或神經網路的圖形結構。詳情請參閱匯出模型說明文件和匯出模型教學課程。

⁶使用 Vertex AI 基礎模型，或透過監督式調整功能自訂模型。

⁷這不是一般機器學習模型，而是將原始資料轉換為特徵的構件。

模型使用階段

模型類別	模型類型	評估	推論	AI 說明	模型監控	模型匯出功能	教學課程
監督式學習	線性與邏輯迴歸	ml.evaluate ml.confusion_matrix¹ ml.roc_curve²	ml.predict ml.transform	ml.explain_predict³ ml.global_explain ml.advanced_weights⁸	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model⁵	回歸分類
	深層類神經網路 (DNN)						不適用
	廣度和深度網路						不適用
	強化型樹狀結構			ml.explain_predict³ ml.global_explain ml.feature_importance⁴			不適用
	隨機森林						不適用
	AutoML 分類和迴歸		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		不適用
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	export model⁵	自行車站叢集
	矩陣分解		ml.recommend ml.generate_embedding		不適用		明確的意見回饋隱含回饋
	主成分分析 (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		不適用
	自動編碼器		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				不適用
時間序列模型	ARIMA_PLUS	ml.evaluate ml.arima_evaluate⁶ ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast⁷	不適用	不適用	單一系列叢書多系列數百萬個系列叢書自訂假日限制預估值階層式時間序列預測
	ARIMA_PLUS_XREG	ml.evaluate ml.arima_evaluate⁶ ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast⁷	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	不適用	預測單一時間序列預測多個時間序列
	TimesFM	不適用	ai.forecast	不適用	不適用	不適用	預測多個時間序列
生成式 AI 遠端模型	Vertex AI 文字生成模型的遠端模型⁹	ml.evaluate¹¹	ml.generate_text ai.generate_table (預先發布)	不適用	不適用	不適用	使用遠端模型產生文字使用調整和評估功能改善 LLM 效能
生成式 AI 遠端模型	透過 Vertex AI 嵌入生成模型建立遠端模型⁹	不適用	ml.generate_embedding	不適用	不適用	不適用	不適用	使用遠端模型產生文字嵌入使用遠端模型產生圖像嵌入資料產生及搜尋多模態嵌入
AI 遠端模型	透過 Cloud Vision API 使用遠端模型	不適用	ml.annotate_image	不適用	不適用	不適用	不適用
	透過 Cloud Translation API 使用遠端模型	不適用	ml.translate	不適用	不適用	不適用
	透過 Cloud Natural Language API 使用遠端模型	不適用	ml.understand_text	不適用	不適用	不適用
	透過 Document AI API 使用遠端模型	不適用	ml.process_document	不適用	不適用	不適用
	透過 Speech-to-Text API 使用遠端模型	不適用	ml.transcribe	不適用	不適用	不適用
遠端模型	含有 Vertex AI 端點的遠端模型	不適用	ml.predict	不適用	不適用	不適用	使用遠端模型進行預測
匯入的模型	TensorFlow	不適用	ml.predict	不適用	不適用	export model⁵	使用匯入的 TensorFlow 模型進行預測
	TensorFlow Lite	不適用	ml.predict	不適用	不適用	不適用
	開放類神經網路交換格式 (ONNX)	不適用	ml.predict	不適用	不適用	使用 ONNX 格式的 scikit-learn 模型進行預測使用 ONNX 格式的 PyTorch 模型進行預測
	XGBoost	不適用	ml.predict	不適用	不適用	不適用
僅轉換模型¹⁰	僅限轉換	不適用	ml.transform	不適用	不適用	export model⁵	不適用
貢獻分析模型	貢獻分析	不適用	ml.get_insights	不適用	不適用	不適用	從貢獻度分析模型取得資料洞察

¹ml.confusion_matrix 僅適用於分類模型。

²ml.roc_curve 僅適用於二元分類模型。

³ml.explain_predict 是 ml.predict 的擴充版本。詳情請參閱「可解釋 AI 總覽」。如要瞭解 ml.explain_predict 的使用方式，請參閱迴歸教學課程和分類教學課程。

⁴如要瞭解 ml.global_explain 和 ml.feature_importance 的差異，請參閱 Explainable AI 總覽。

⁵請參閱「匯出 BigQuery ML 模型以進行線上預測」教學課程。如要進一步瞭解線上服務，請參閱「BQML - 使用內嵌轉置建立模型」教學課程。

⁶對於 ARIMA_PLUS 或 ARIMA_PLUS_XREG 模型，ml.evaluate 可以將新資料做為輸入內容，計算預測指標，例如平均絕對百分比誤差 (MAPE)。在沒有新資料的情況下，ml.evaluate 有一個擴充版本 ml.arima_evaluate，可輸出不同的評估資訊。

⁷ml.explain_forecast 是 ml.forecast 的擴充版本。詳情請參閱「可解釋 AI 總覽」。如要瞭解如何使用 ml.explain_forecast，請參閱單一時間序列預測和多個時間序列預測教學課程中的圖表結果步驟。

⁸ml.advanced_weights 是 ml.weights 的擴充版本，請參閱 ml.advanced_weights 瞭解詳情。

⁹使用 Vertex AI 基礎模型或透過監督式微調功能自訂模型。

¹⁰這不是一般機器學習模型，而是將原始資料轉換為特徵的構件。

¹¹ 部分 Vertex AI 大型語言模型不支援此功能。詳情請參閱 ml.evaluate。