Perjalanan pengguna menyeluruh untuk setiap model
BigQuery ML mendukung berbagai model machine learning dan alur machine learning yang lengkap untuk setiap model, seperti pra-pemrosesan fitur, pembuatan model, penyesuaian hyperparameter, inferensi, evaluasi, dan ekspor model. Alur machine learning untuk model dibagi ke dalam dua tabel berikut:
Fase pembuatan model
Kategori model | Jenis model | Pembuatan model | Pra-pemrosesan fitur | Penyesuaian hyperparameter | Bobot model | Info fitur & pelatihan | Tutorial |
---|---|---|---|---|---|---|---|
Supervised learning | Regresi linear & logistik | create model | Pra-pemrosesan otomatis, Pra-pemrosesan manual1 |
Penyesuaian HP2 ml.trial_info |
ml.weights | ml.feature_info ml.training_info |
|
Jaringan neural dalam (DNN) | create model | T/A5 | T/A | ||||
Jaringan Wide & Deep | create model | T/A5 | T/A | ||||
Pohon yang diperkuat | create model | T/A5 | T/A | ||||
Hutan acak (random forest) | create model | T/A5 | T/A | ||||
Klasifikasi & regresi AutoML | create model | T/A3 | T/A3 | T/A5 | T/A | ||
Pembelajaran yang tidak diawasi | K-means | create model | Pra-pemrosesan otomatis, Pra-pemrosesan manual1 |
Penyesuaian HP2 ml.trial_info |
ml.centroids | ml.feature_info ml.training_info |
stasiun sepeda cluster |
Pemfaktoran matriks | create model | T/A | Penyesuaian HP2 ml.trial_info |
ml.weights | |||
Analisis komponen utama (PCA) | create model | Pra-pemrosesan otomatis, Pra-pemrosesan manual1 |
T/A | ml.principal_ components, ml.principal_ component_info |
T/A | ||
Autoencoder | create model | Pra-pemrosesan otomatis, Pra-pemrosesan manual1 |
Penyesuaian HP2 ml.trial_info |
T/A5 | T/A | ||
Model deret waktu | ARIMA_PLUS | create model | Pra-pemrosesan otomatis | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
|
ARIMA_PLUS_XREG | create model | Pra-pemrosesan otomatis | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
perkiraan multi-variasi | |
Model jarak jauh AI generatif | Model jarak jauh melalui model pembuatan teks Vertex AI6 | create model | T/A | T/A | T/A | T/A | |
Model jarak jauh melalui model pembuatan embedding Vertex AI6 | create model | T/A | T/A | T/A | T/A | ||
Model jarak jauh AI | Model jarak jauh melalui Cloud Vision API | create model | T/A | T/A | T/A | T/A | T/A |
Model jarak jauh melalui Cloud Translation API | create model | T/A | T/A | T/A | T/A | T/A | |
Model jarak jauh melalui Cloud Natural Language API | create model | T/A | T/A | T/A | T/A | T/A | |
Model jarak jauh melalui Document AI API (Pratinjau) |
create model | T/A | T/A | T/A | T/A | T/A | |
Model jarak jauh melalui Speech-to-Text API (Pratinjau) |
create model | T/A | T/A | T/A | T/A | T/A | |
Model jarak jauh | Model jarak jauh dengan endpoint Vertex AI | create model | T/A | T/A | T/A | T/A | memprediksi dengan model jarak jauh |
Model yang diimpor | TensorFlow | create model | T/A | T/A | T/A | T/A | memprediksi dengan model TensorFlow yang diimpor |
TensorFlow Lite | create model | T/A | T/A | T/A | T/A | T/A | |
Open Neural Network Exchange (ONNX) | create model | T/A | T/A | T/A | T/A | ||
XGBoost | create model | T/A | T/A | T/A | T/A | T/A | |
Model khusus transformasi7 | Khusus transformasi (Pratinjau) |
create model | Pra-pemrosesan manual1 | T/A | T/A | ml.feature_info | T/A |
1Lihat tutorial klausa TRANSFORM untuk rekayasa fitur. Untuk informasi selengkapnya tentang fungsi pra-pemrosesan, lihat Tutorial BQML - Fungsi Rekayasa Fitur.
2Lihat tutorial menggunakan penyesuaian hyperparameter untuk meningkatkan performa model.
3Rekayasa fitur otomatis dan penyesuaian hyperparameter disematkan dalam pelatihan model AutoML secara default.
4Algoritma auto.ARIMA melakukan penyesuaian hyperparameter untuk modul tren. Penyesuaian hyperparameter tidak didukung untuk seluruh pipeline pemodelan. Lihat pipeline pemodelan untuk detail selengkapnya.
5BigQuery ML tidak mendukung fungsi yang mengambil bobot untuk model pohon yang di-Boosting, forest acak, DNN, Wide-and-deep, Autoencoder, atau AutoML. Untuk melihat bobot model tersebut, Anda dapat mengekspor model yang ada dari BigQuery ML ke Cloud Storage, lalu menggunakan library XGBoost atau library TensorFlow untuk memvisualisasikan struktur pohon untuk model pohon atau struktur grafik untuk jaringan neural. Untuk informasi selengkapnya, lihat dokumentasi EKSPOR MODEL dan tutorial EKSPOR MODEL.
6Menggunakan model dasar Vertex AI atau menyesuaikannya menggunakan penyesuaian yang diawasi.
7Ini bukan model ML biasa, melainkan artefak yang mengubah data mentah menjadi fitur.
Fase penggunaan model
1ml.confusion_matrix
hanya berlaku untuk model klasifikasi.
2ml.roc_curve
hanya berlaku untuk model klasifikasi biner.
3ml.explain_predict
adalah versi yang diperluas dari ml.predict
.
Untuk mengetahui informasi selengkapnya, lihat Ringkasan Explainable AI.
Untuk mempelajari cara ml.explain_predict
digunakan, lihat tutorial regresi dan tutorial klasifikasi.
4Untuk perbedaan antara ml.global_explain
dan
ml.feature_importance
, lihat
Ringkasan Explainable AI.
5Lihat tutorial Mengekspor model BigQuery ML untuk prediksi online. Untuk informasi selengkapnya tentang penayangan online, lihat tutorial BQML - Membuat Model dengan Inline Transpose.
6Untuk model ARIMA_PLUS
atau ARIMA_PLUS_XREG
, ml.evaluate
dapat mengambil data baru sebagai input untuk menghitung metrik perkiraan seperti rata-rata error persentase absolut (MAPE). Karena tidak ada data baru, ml.evaluate
memiliki versi ml.arima_evaluate
yang diperluas yang menghasilkan informasi evaluasi berbeda.
7ml.explain_forecast
adalah versi yang diperluas dari ml.forecast
.
Untuk mengetahui informasi selengkapnya, lihat Ringkasan Explainable AI.
Untuk mempelajari cara ml.explain_forecast
digunakan, lihat langkah-langkah visualisasi hasil dari perkiraan deret waktu tunggal dan tutorial perkiraan beberapa deret waktu.
8ml.advanced_weights
adalah versi ml.weights
yang diperluas,
lihat ml.advanced_weights
untuk detail selengkapnya.
9Menggunakan model dasar Vertex AI atau menyesuaikannya menggunakan tuning yang diawasi.
10Ini bukan model ML biasa, melainkan artefak yang mengubah data mentah menjadi fitur.
11Tidak didukung untuk semua LLM Vertex AI. Untuk mengetahui informasi selengkapnya, lihat ml.evaluate.