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

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_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
exportar modelo5
Redes neuronales profundas (DNN) N/A
Redes profundas y amplias N/A
Árboles con boosting ml.explain_predict3
ml.global_explain
ml.feature_importance4
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 modelo5 agrupar estaciones de bicicletas en clústeres
factorización de matrices ml.recommend
ml.generate_embedding
ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Análisis de componentes principales (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
N/A
Codificador automático ml.predict
ml.generate_embedding
ml.detect_anomalies
ml.reconstruction_loss
ml.transform
N/A
Modelos de serie temporal ARIMA_PLUS ml.evaluate
ml.arima_evaluate6
ml.holiday_info
ml.forecast
ml.detect_anomalies
ml.explain_forecast7 ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
N/A
ARIMA_PLUS_XREG ml.forecast
ml.detect_anomalies
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 con un modelo de generación de texto de Vertex AI9 ml.evaluate11 (Vista previa) ml.generate_text N/A ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
N/A
Modelo remoto con un modelo de generación de incorporaciones de Vertex AI9 N/A ml.generate_embedding N/A N/A
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 N/A ml.process_document N/A N/A N/A
Modelo remoto sobre la API de Speech-to-Text 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 modelo5 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
XGBoost N/A ml.predict N/A N/A N/A
Modelos solo de transformación10 Solo de transformación N/A ml.transform N/A N/A exportar modelo5 N/A
Modelos de análisis de contribuciones Análisis de contribuciones
(versión preliminar)
N/A ml.get_insights N/A N/A N/A Obtén estadísticas de datos a partir de un modelo de análisis de contribuciones

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.