Recorrido del usuario de extremo a extremo para cada modelo

BigQuery ML admite una variedad de modelos de aprendizaje automático y un flujo completo de aprendizaje automático para cada modelo, como el procesamiento previo de atributos, la creación de modelos, el ajuste de hiperparámetros, la inferencia, la evaluación y la exportación de modelos. El flujo de aprendizaje automático para los modelos se divide en las siguientes dos tablas:

• Fase de creación del modelo
• Fase de uso del modelo

Fase de creación del modelo

Categoría del modelo	Tipos de modelos	Creación de modelos	Procesamiento previo de atributos	Ajuste de hiperparámetros	Pesos del modelo	Información de entrenamiento y atributos	Instructivos
Aprendizaje supervisado	Regresión lineal y logística	crear modelo	Procesamiento previo automático, Procesamiento previo manual^1	Ajuste de HP^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	regresión clasificación
	Redes neuronales profundas (DNN)	crear modelo			N/A^5		N/A
	Redes profundas y amplias	crear modelo			N/A^5		N/A
	Árboles con boosting	crear modelo			N/A^5		N/A
	Bosque aleatorio	crear modelo			N/A^5		N/A
	Clasificación y regresión de AutoML	crear modelo	N/A^3	N/A^3	N/A^5		N/A
Aprendizaje no supervisado	k-means	crear modelo	Procesamiento previo automático, Procesamiento previo manual^1	Ajuste de HP^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	agrupar estaciones de bicicletas en clústeres
	factorización de matrices	crear modelo	N/A	Ajuste de HP^2 ml.trial_info	ml.weights		comentarios explícitos comentarios explícitos
	Análisis de componentes principales (PCA)	crear modelo	Procesamiento previo automático, Procesamiento previo manual^1	N/A	ml.principal_ components, ml.principal_ component_info		N/A
	Codificador automático	crear modelo	Procesamiento previo automático, Procesamiento previo manual^1	Ajuste de HP^2 ml.trial_info	N/A^5		N/A
Modelos de serie temporal	ARIMA_PLUS	crear modelo	Procesamiento previo automático	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	serie única varias series millones de series feriados personalizados limitar los valores previstos previsión de series temporales jerárquicas
	ARIMA_PLUS_XREG	crear modelo	Procesamiento previo automático	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	previsión multivariable
Modelos remotos de IA generativa	Modelo remoto con un modelo de generación de texto de Vertex AI^6	crear modelo	N/A	N/A	N/A	N/A	genera texto con modelo remoto usa el ajuste y la evaluación para mejorar el rendimiento de los LLM
	Modelo remoto con un modelo de generación de incorporaciones de Vertex AI^6	crear modelo	N/A	N/A	N/A	N/A	genera incorporaciones de texto con un modelo remoto genera incorporaciones de imágenes con un modelo remoto genera y busca incorporaciones multimodales
Modelos remotos a la IA	Modelo remoto sobre la API de Cloud Vision	crear modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto sobre la API de Cloud Translation	crear modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto sobre la API de Cloud Natural Language	crear modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto sobre la API de Document AI (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A
	Modelo remoto sobre la API de Speech-to-Text (Vista previa)	crear modelo	N/A	N/A	N/A	N/A	N/A
Modelos remotos	Modelo remoto con un extremo de Vertex AI	crear modelo	N/A	N/A	N/A	N/A	predecir con un modelo remoto
Modelos importados	TensorFlow	crear modelo	N/A	N/A	N/A	N/A	predecir con un modelo importado de TensorFlow
	TensorFlow Lite	crear modelo	N/A	N/A	N/A	N/A	N/A
	Open Neural Network Exchange (ONNX)	crear modelo	N/A	N/A	N/A	N/A	Predice con modelos de scikit-learn en formato ONNX Predice con modelos de PyTorch en formato ONNX
	XGBoost	crear modelo	N/A	N/A	N/A	N/A	N/A
Modelos solo de transformación^7	Solo transformaciones (Vista previa)	crear modelo	Procesamiento previo manual^1	N/A	N/A	ml.feature_info	N/A

¹Consulta Instructivo de TRANSFORM para la ingeniería de atributos. Para obtener más información sobre las funciones de preprocesamiento, consulta el instructivo de BQML: Funciones de ingeniería de atributos.

² Consulta el instructivo Usa el ajuste de hiperparámetros para mejorar el rendimiento de los modelos.

³La ingeniería de atributos automática y el ajuste de hiperparámetros están incorporados en el entrenamiento de modelos de AutoML de forma predeterminada.

⁴El algoritmo auto.ARIMA realiza el ajuste de hiperparámetros para el módulo de tendencia. El ajuste de hiperparámetros no es compatible con toda la canalización de modelado. Consulta la canalización de modelado para obtener más detalles.

⁵BigQuery ML no admite funciones que recuperen los pesos de los modelos de árbol mejorado, de bosque aleatorio, DNN, de algoritmo de amplitud y profundidad, de codificador automático o de AutoML. Para ver las ponderaciones de esos modelos, puedes exportar un modelo existente de BigQuery ML a Cloud Storage y, luego, usar la biblioteca XGBoost o la biblioteca de TensorFlow para visualizar la estructura de árbol de los modelos de árbol o la estructura del grafo en las redes neuronales. Para obtener más información, consulta la documentación de EXPORTAR MODELO y el instructivo de EXPORTAR MODELO.

⁶Usa un modelo de base de Vertex AI o lo personaliza con el ajuste supervisado.

⁷ Este no es un modelo típico de AA, sino un artefacto que transforma los datos sin procesar en atributos.

Fase de uso del modelo

Categoría del modelo	Tipos de modelos	Evaluación	Inferencia	AI Explanations	Supervisión de modelos	Exportación de modelos	Instructivos
Aprendizaje supervisado	Regresión lineal y logística	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	exportar modelo^5	regresión clasificación
	Redes neuronales profundas (DNN)						N/A
	Redes profundas y amplias						N/A
	Árboles con boosting			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			N/A
	Bosque aleatorio						N/A
	Clasificación y regresión de AutoML		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		N/A
Aprendizaje no supervisado	k-means	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	N/A	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	exportar modelo^5	agrupar estaciones de bicicletas en clústeres
	factorización de matrices		ml.recommend ml.generate_embedding (Vista previa)		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		comentarios explícitos comentarios explícitos
	Análisis de componentes principales (PCA)		ml.predict ml.generate_embedding (Vista previa) ml.detect_anomalies ml.transform		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		N/A
	Codificador automático		ml.predict ml.generate_embedding (Vista previa) ml.detect_anomalies ml.reconstruction_loss ml.transform				N/A
Modelos de serie temporal	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/A	serie única varias series millones de series feriados personalizados limitar los valores previstos previsión de series temporales jerárquicas
	ARIMA_PLUS_XREG		ml.forecast ml.detect_anomalies (Vista previa)		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		previsión multivariable
Modelos remotos de IA generativa	Modelo remoto sobre un modelo de generación de texto de Vertex AI^9	ml.evaluate^11 (vista previa)	ml.generate_text	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	genera texto con modelo remoto usa el ajuste y la evaluación para mejorar el rendimiento de los LLM
	Modelo remoto sobre un modelo de generación de incorporaciones de Vertex AI^9	N/A	ml.generate_embedding	N/A		N/A	genera incorporaciones de texto con un modelo remoto genera incorporaciones de imágenes con un modelo remoto genera y busca incorporaciones multimodales
Modelos remotos a la IA	Modelo remoto sobre la API de Cloud Vision	N/A	ml.annotate_image	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	N/A
	Modelo remoto sobre la API de Cloud Translation	N/A	ml.translate	N/A		N/A	N/A
	Modelo remoto sobre la API de Cloud Natural Language	N/A	ml.understand_text	N/A		N/A	N/A
	Modelo remoto sobre la API de Document AI (Vista previa)	N/A	ml.process_document	N/A		N/A	N/A
	Modelo remoto sobre la API de Speech-to-Text (Vista previa)	N/A	ml.transcribe	N/A		N/A	N/A
Modelos remotos	Modelo remoto con un extremo de Vertex AI	N/A	ml.predict	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/A	predecir con un modelo remoto
Modelos importados	TensorFlow	N/A	ml.predict	N/A	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	exportar modelo^5	predecir con un modelo importado de TensorFlow
	TensorFlow Lite	N/A	ml.predict	N/A		N/A	N/A
	Open Neural Network Exchange (ONNX)	N/A	ml.predict	N/A		N/A	Predice con modelos de scikit-learn en formato ONNX Predice con modelos de PyTorch en formato ONNX
	XGBoost	N/A	ml.predict	N/A		N/A	N/A
Modelos solo de transformación^10 (vista previa)	Solo transformaciones (Vista previa)	N/A	ml.transform	N/A	N/A	exportar modelo^5	N/A

¹ml.confusion_matrix solo se aplica a los modelos de clasificación.

²ml.roc_curve solo se aplica a los modelos de clasificación binaria.

³ml.explain_predict es una versión extendida de ml.predict. Para obtener más información, consulta Descripción general de Explainable AI. Para aprender cómo se usa ml.explain_predict, consulta el instructivo de regresión y el instructivo de clasificación.

⁴ Para obtener la diferencia entre ml.global_explain y ml.feature_importance, consulta Descripción general de Explainable AI.

⁵Consulta el instructivo Exporta un modelo de BigQuery ML para la predicción en línea. Para obtener más información sobre la entrega en línea, consulta el instructivo de BQML: Crea el modelo con transposición intercalada.

⁶ En los modelos ARIMA_PLUS o ARIMA_PLUS_XREG, ml.evaluate puede tomar datos nuevos como entrada para calcular las métricas de previsión, como el error porcentual absoluto medio (MAPE). Si no hay datos nuevos, ml.evaluate tiene una versión extendida ml.arima_evaluate que genera diferente información de evaluación.

⁷ml.explain_forecast es una versión extendida de ml.forecast. Para obtener más información, consulta Descripción general de Explainable AI. Para obtener información sobre cómo se usa ml.explain_forecast, consulta los pasos de visualización de resultados de los instructivos de previsión de una serie temporal individual y previsión de varias series temporales.

⁸ ml.advanced_weights es una versión extendida de ml.weights, consulta ml.advanced_weights para obtener más detalles.

⁹Usa un modelo de base de Vertex AI o lo personaliza mediante el ajuste supervisado.

¹⁰Este no es un modelo típico de AA, sino un artefacto que transforma datos sin procesar en atributos.

¹¹No es compatible con todos los LLM de Vertex AI. Para obtener más información, consulta ml.evaluate.