Percorso dell'utente end-to-end per ogni modello
BigQuery ML supporta una varietà di modelli di machine learning e un flusso di machine learning completo per ogni modello, come pre-elaborazione delle caratteristiche, creazione di modelli, ottimizzazione degli iperparametri, inferenza, valutazione ed esportazione dei modelli. Il flusso di machine learning per i modelli è suddiviso nelle seguenti due tabelle:
Fase di creazione del modello
Categoria di modello | Tipi di modelli | Creazione del modello | Pre-elaborazione delle caratteristiche | Ottimizzazione degli iperparametri | Pesi del modello | Informazioni su funzionalità e formazione | Tutorial |
---|---|---|---|---|---|---|---|
Apprendimento supervisionato | Regressione lineare e logistica | crea modello | Pre-elaborazione automatica, Pre-elaborazione manuale1 |
Ottimizzazione HP2 ml.trial_info |
ml.weights | ml.feature_info ml.training_info |
|
DNN (Deep Neural Network) | crea modello | N/D5 | N/A | ||||
Reti Wide and Deep | crea modello | N/D5 | N/A | ||||
Alberi potenziati | crea modello | N/D5 | N/A | ||||
Foresta casuale | crea modello | N/D5 | N/A | ||||
Classificazione e regressione AutoML | crea modello | N/D3 | N/D3 | N/D5 | N/A | ||
Apprendimento non supervisionato | K-means | crea modello | Pre-elaborazione automatica, Pre-elaborazione manuale1 |
Ottimizzazione HP2 ml.trial_info |
ml.centroids | ml.feature_info ml.training_info |
stazioni bici in cluster |
fattorizzazione matriciale | crea modello | N/A | Ottimizzazione HP2 ml.trial_info |
ml.weights | |||
Analisi delle componenti principali (PCA) | crea modello | Pre-elaborazione automatica, Pre-elaborazione manuale1 |
N/A | ml.principal_ components, ml.principal_ component_info |
N/A | ||
Autoencoder | crea modello | Pre-elaborazione automatica, Pre-elaborazione manuale1 |
Ottimizzazione HP2 ml.trial_info |
N/D5 | N/A | ||
Modelli di serie temporali | ARIMA_PLUS | crea modello | Pre-elaborazione automatica | auto.ARIMA4 | coefficienti_ml.arima | ml.feature_info ml.training_info |
|
ARIMA_PLUS_XREG | crea modello | Pre-elaborazione automatica | auto.ARIMA4 | coefficienti_ml.arima | ml.feature_info ml.training_info |
previsione multivariata | |
Modelli remoti di IA generativa | Modello remoto su un modello di generazione di testo Vertex AI6 | crea modello | N/A | N/A | N/A | N/A | |
Modello remoto su un modello di generazione dell'incorporamento di Vertex AI6 | crea modello | N/A | N/A | N/A | N/A | ||
modelli remoti AI | Modello remoto tramite l'API Cloud Vision | crea modello | N/A | N/A | N/A | N/A | N/A |
Modello remoto tramite l'API Cloud Translation | crea modello | N/A | N/A | N/A | N/A | N/A | |
Modello remoto tramite l'API Cloud Natural Language | crea modello | N/A | N/A | N/A | N/A | N/A | |
Modello remoto sull'API Document AI (anteprima) |
crea modello | N/A | N/A | N/A | N/A | N/A | |
Modello remoto sull'API Speech-to-Text (anteprima) |
crea modello | N/A | N/A | N/A | N/A | N/A | |
Modelli remoti | Modello remoto con un endpoint Vertex AI | crea modello | N/A | N/A | N/A | N/A | previsione con modello remoto |
Modelli importati | TensorFlow | crea modello | N/A | N/A | N/A | N/A | fare previsioni con un modello TensorFlow importato |
TensorFlow Lite | crea modello | N/A | N/A | N/A | N/A | N/A | |
ONNX (Open Neural Network Exchange) | crea modello | N/A | N/A | N/A | N/A | ||
XGBoost | crea modello | N/A | N/A | N/A | N/A | N/A | |
Modelli solo per la trasformazione7 | Solo trasformazione | crea modello | Pre-elaborazione manuale1 | N/A | N/A | ml.feature_info | N/A |
1Consulta il tutorial sulla clausola TRANSFORM per il feature engineering. Per ulteriori informazioni sulle funzioni di pre-elaborazione, consulta il tutorial sulle funzioni di feature engineering - BQML.
2 Consulta il tutorial Usa l'ottimizzazione degli iperparametri per migliorare le prestazioni del modello.
3 Il feature engineering e l'ottimizzazione degli iperparametri automatici sono integrati nell'addestramento del modello AutoML per impostazione predefinita.
4 L'algoritmo auto.ARIMA esegue l'ottimizzazione degli iperparametri per il modulo di tendenza. L'ottimizzazione degli iperparametri non è supportata per l'intera pipeline di modellazione. Consulta la pipeline di modellazione per ulteriori dettagli.
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 a Cloud Storage e quindi 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 mediante l'ottimizzazione supervisionata.
7Questo non è un tipico modello ML, ma piuttosto un artefatto che trasforma i dati non elaborati in caratteristiche.
Fase di utilizzo del modello
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 saperne di più, consulta la panoramica di Explainable AI.
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 Esportare un modello BigQuery ML per la previsione online. Per ulteriori informazioni sulla distribuzione online, consulta il tutorial BQML - 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 medio assoluto (MAPE). In assenza di nuovi dati, ml.evaluate
ha una versione estesa ml.arima_evaluate
che restituisce informazioni di valutazione diverse.
7ml.explain_forecast
è una versione estesa di ml.forecast
.
Per saperne di più, consulta la panoramica di Explainable AI.
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 maggiori dettagli.
9Utilizza un modello di base Vertex AI o lo personalizza mediante l'ottimizzazione supervisionata.
10Questo non è un tipico modello ML, ma piuttosto un artefatto che trasforma i dati non elaborati in caratteristiche.
11 Funzionalità non supportata per tutti gli LLM Vertex AI. Per ulteriori informazioni, consulta ml.evaluate.