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
Categoría del modelo | Tipos de modelos | Creación de modelos | Procesamiento previo de atributos | Ajuste de hiperparámetros | Pesos del modelo | Información de entrenamiento y atributo | Instructivos |
---|---|---|---|---|---|---|---|
Aprendizaje supervisado | Regresión lineal y logística | crear modelo | Procesamiento previo automático, Procesamiento previo manual1 |
Ajuste de HP2 ml.trial_info |
ml.weights | ml.feature_info ml.training_info |
|
Redes neuronales profundas (DNN) | crear modelo | N/A5 | N/A | ||||
Redes profundas y amplias | crear modelo | N/A5 | N/A | ||||
Árboles con boosting | crear modelo | N/A5 | N/A | ||||
Bosque aleatorio | crear modelo | N/A5 | N/A | ||||
Clasificación y regresión de AutoML | crear modelo | N/A3 | N/A3 | N/A5 | N/A | ||
Aprendizaje no supervisado | k-means | crear modelo | Procesamiento previo automático, Procesamiento previo manual1 |
Ajuste de HP2 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 HP2 ml.trial_info |
ml.weights | |||
Análisis de componentes principales (PCA) | crear modelo | Procesamiento previo automático, Procesamiento previo manual1 |
N/A | ml.principal_ components, ml.principal_ component_info |
N/A | ||
Codificador automático | crear modelo | Procesamiento previo automático, Procesamiento previo manual1 |
Ajuste de HP2 ml.trial_info |
N/A5 | N/A | ||
Modelos de serie temporal | ARIMA_PLUS | crear modelo | Procesamiento previo automático | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
|
ARIMA_PLUS_XREG | crear modelo | Procesamiento previo automático | auto.ARIMA4 | 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 AI6 | crear modelo | N/A | N/A | N/A | N/A | |
Modelo remoto con un modelo de generación de incorporaciones de Vertex AI6 | crear modelo | N/A | N/A | N/A | N/A | ||
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 | crear modelo | N/A | N/A | N/A | N/A | N/A | |
Modelo remoto sobre la API de Speech-to-Text |
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 | ||
XGBoost | crear modelo | N/A | N/A | N/A | N/A | N/A | |
Modelos solo de transformación7 | Solo de transformación | crear modelo | Procesamiento previo manual1 | N/A | N/A | ml.feature_info | N/A |
Modelos de análisis de contribuciones | Análisis de contribuciones (versión preliminar) |
crear modelo | Procesamiento previo manual | N/A | N/A | N/A | Obtén estadísticas de datos a partir de un modelo de análisis de contribuciones |
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
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 la 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). Ante la ausencia de datos nuevos, ml.evaluate
tiene una versión extendida ml.arima_evaluate
que genera información de evaluación diferente.
7ml.explain_forecast
es una versión extendida de ml.forecast
.
Para obtener más información, consulta la Descripción general de Explainable AI.
Para obtener información sobre cómo se usa ml.explain_forecast
, consulta los pasos para visualizar los resultados de los instructivos sobre la previsión de series temporales individuales y la 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 con 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.