Percursos do utilizador completos para modelos de AA

Este documento descreve os percursos do utilizador para modelos de aprendizagem automática (AA) que são preparados no BigQuery ML, incluindo as declarações e as funções que pode usar para trabalhar com modelos de AA. O BigQuery ML oferece os seguintes tipos de modelos de AA:

• Modelos de aprendizagem supervisionada:

  • Regressão linear e logística
  • Rede neural profunda (DNN)
  • Wide & Deep
  • Árvores otimizadas
  • Floresta aleatória
  • AutoML

• Modelos de aprendizagem não supervisionada

  • Clustering K-means
  • Fatorização de matrizes
  • Autoencoder
  • Análise de componentes principais (PCA)

• Modelos apenas de transformação: Os modelos apenas de transformação não são modelos de AA típicos, mas sim artefatos que transformam dados não processados em funcionalidades.

Modele os percursos do utilizador de criação

A tabela seguinte descreve as declarações e as funções que pode usar para criar e otimizar modelos:

Categoria do modelo	Tipo de modelo	Criação de modelos	Pré-processamento de funcionalidades	Ajuste de hiperparâmetros^1	Ponderações dos modelos	Informações sobre funcionalidades e formação	Tutoriais
Aprendizagem supervisionada	Regressão linear e logística	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Use a regressão linear para prever o peso dos pinguins Faça a classificação com um modelo de regressão logística
	Redes neurais profundas (DNN)	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Redes amplas e profundas	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Árvores com reforço	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	Realize a classificação com um modelo de árvores melhoradas
	Floresta aleatória	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Classificação e regressão do AutoML	CREATE MODEL	O AutoML realiza automaticamente a engenharia de funcionalidades	O AutoML faz automaticamente o aperfeiçoamento de hiperparâmetros	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
Aprendizagem não supervisionada	K-means	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	ML.CENTROIDS	ML.FEATURE _INFO ML.TRAINING _INFO	Encontre clusters nos dados de estações de bicicletas
	Fatorização de matrizes	CREATE MODEL	N/A	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Gere recomendações de filmes com feedback explícito Gere recomendações de conteúdo com feedback implícito
	Análise de componentes principais (PCA)	CREATE MODEL	Pré-processamento automático Pré-processamento manual	N/A	ML.PRINCIPAL _COMPONENTS ML.PRINCIPAL _COMPONENT _INFO	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Autoencoder	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Aperfeiçoamento de hiperparâmetros ML.TRIAL _INFO	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
Apenas transformação	Apenas transformação	CREATE MODEL	Pré-processamento manual	N/A	N/A	ML.FEATURE _INFO	N/A

¹ Para ver um exemplo passo a passo da utilização do aperfeiçoamento de hiperparâmetros, consulte o artigo Melhore o desempenho do modelo com o aperfeiçoamento de hiperparâmetros.

²O BigQuery ML não oferece uma função para obter os pesos deste modelo. Para ver os pesos do modelo, pode exportar o modelo do BigQuery ML para o Cloud Storage e, em seguida, usar a biblioteca XGBoost ou a biblioteca TensorFlow para visualizar a estrutura de árvore para modelos de árvore ou a estrutura de grafos para redes neurais. Para mais informações, consulte EXPORT MODEL e Exporte um modelo do BigQuery ML para a previsão online.

Use modelos de percursos do utilizador

A tabela seguinte descreve as declarações e as funções que pode usar para avaliar, explicar e obter previsões a partir de modelos:

Categoria do modelo	Tipo de modelo	Avaliação	Inferência	Explicação de IA	Monitorização de modelos
Aprendizagem supervisionada	Regressão linear e 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^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Redes neurais profundas (DNN)	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Redes amplas e profundas	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Árvores com reforço	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE^4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Floresta aleatória	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE^4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Classificação e regressão do AutoML	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT	ML.GLOBAL_EXPLAIN	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
Aprendizagem não supervisionada	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
	Fatorização de matrizes	ML.EVALUATE	ML.RECOMMEND ML.GENERATE _EMBEDDING	N/A	N/A
	Análise de componentes principais (PCA)	ML.EVALUATE	ML.PREDICT ML.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.TRANSFORM	N/A	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Autoencoder	ML.EVALUATE	ML.PREDICT ML.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.RECONSTRUCTION _LOSS ML.TRANSFORM	N/A	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
Apenas transformação	Apenas transformação	N/A	ML.TRANSFORM	N/A	N/A

¹ML.CONFUSION_MATRIX só é aplicável a modelos de classificação.

²ML.ROC_CURVE só é aplicável a modelos de classificação binária.

³A função ML.EXPLAIN_PREDICT abrange a função ML.PREDICT porque a respetiva saída é um superconjunto dos resultados de ML.PREDICT.

⁴Para compreender a diferença entre ML.GLOBAL_EXPLAIN e ML.FEATURE_IMPORTANCE, consulte a vista geral da IA explicável.

⁵ A função ML.ADVANCED_WEIGHTS abrange a função ML.WEIGHTS porque a respetiva saída é um superconjunto dos resultados de ML.WEIGHTS.