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

Kategori model Jenis model Evaluasi Inferensi AI Explanations Pemantauan model Ekspor model Tutorial
Supervised learning Regresi linear & logistik ml.evaluate
ml.confusion_matrix1
ml.roc_curve2
ml.predict
ml.transform
ml.explain_compare3
ml.global_explain
ml.advanced_weights8
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
export model5
Jaringan neural dalam (DNN) T/A
Jaringan Wide & Deep T/A
Pohon yang diperkuat ml.explain_predict3
ml.global_explain
ml.feature_importance4
T/A
Hutan acak (random forest) T/A
Klasifikasi & regresi AutoML ml.predict ml.global_explain ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
T/A
Pembelajaran yang tidak diawasi K-means ml.evaluate ml.predict
ml.detect_anomalies
ml.transform
T/A ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
export model5 stasiun sepeda cluster
Faktorisasi matriks ml.recommend
ml.generate_embedding (Pratinjau)
ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
Analisis komponen utama (PCA) ml.predict
ml.generate_embedding (Pratinjau)
ml.detect_anomalies
ml.transform
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
T/A
Autoencoder ml.predict
ml.generate_embedding (Pratinjau)
ml.detect_anomalies
ml.reconstruction_loss
ml.transform
T/A
Model deret waktu 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
T/A
ARIMA_PLUS_XREG ml.forecast
ml.detect_anomalies
(Pratinjau)
ml.describe_data
ml.validate_data_drift
ml.validate_data_skew
ml.tfdv_describe
ml.tfdv_validate
perkiraan multi-variasi
Model jarak jauh AI generatif Model jarak jauh melalui model pembuatan teks Vertex AI9 ml.evaluate11 (Pratinjau) ml.generate_text T/A ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
T/A
Model jarak jauh melalui model pembuatan embedding Vertex AI9 T/A ml.generate_embedding T/A T/A
Model jarak jauh AI Model jarak jauh melalui Cloud Vision API T/A ml.annotate_image T/A ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
T/A T/A
Model jarak jauh melalui Cloud Translation API T/A ml.translate T/A T/A T/A
Model jarak jauh melalui Cloud Natural Language API T/A ml.understand_text T/A T/A T/A
Model jarak jauh melalui Document AI API
(Pratinjau)
T/A ml.process_document T/A T/A T/A
Model jarak jauh melalui Speech-to-Text API
(Pratinjau)
T/A ml.transcribe T/A T/A T/A
Model jarak jauh Model jarak jauh dengan endpoint Vertex AI T/A ml.predict T/A ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
T/A memprediksi dengan model jarak jauh
Model yang diimpor TensorFlow T/A ml.predict T/A ml.describe_data
ml.validate_data_drift
ml.tfdv_describe
ml.tfdv_validate
export model5 memprediksi dengan model TensorFlow yang diimpor
TensorFlow Lite T/A ml.predict T/A T/A T/A
Open Neural Network Exchange (ONNX) T/A ml.predict T/A T/A
XGBoost T/A ml.predict T/A T/A T/A
Model khusus transformasi10
(Pratinjau)
Khusus transformasi
(Pratinjau)
T/A ml.transform T/A T/A export model5 T/A

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.