Jornada do usuário completa para cada modelo
O BigQuery ML é compatível com uma variedade de modelos de machine learning e um fluxo completo de machine learning para cada modelo, como pré-processamento de atributos, criação de modelos, ajuste de hiperparâmetros, inferência, avaliação, exportação de modelos e assim por diante. O fluxo de machine learning para os modelos é dividido nas duas tabelas a seguir:
Fase de criação de modelos
Categoria do modelo | Tipos de modelos | Criação de modelos | Pré-processamento de recursos | Ajuste de hiperparâmetros | Pesos do modelo | Informações de recurso e treinamento | Tutoriais |
---|---|---|---|---|---|---|---|
Aprendizado supervisionado | Regressão linear e logística | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Ajuste de HP2 ml.trial_info |
ml.weights | ml.feature_info ml.training_info |
|
Redes neurais profundas (DNN) | Criar modelo | N/A5 | N/A | ||||
Redes amplas e profundas | Criar modelo | N/A5 | N/A | ||||
Árvores aprimoradas | Criar modelo | N/A5 | N/A | ||||
Floresta aleatória | Criar modelo | N/A5 | N/A | ||||
Classificação e regressão do AutoML | Criar modelo | N/A3 | N/A3 | N/A5 | N/A | ||
Aprendizado não supervisionado | K-means | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Ajuste de HP2 ml.trial_info |
ml.centroids | ml.feature_info ml.training_info |
estações de ciclismo de cluster |
Fatoração de matrizes | Criar modelo | N/A | Ajuste de HP2 ml.trial_info |
ml.weights | |||
Análise de componentes principais (PCA, na sigla em inglês) | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
N/A | ml.principal_ components, ml.principal_ component_info |
N/A | ||
Codificador automático | Criar modelo | Pré-processamento automático, Pré-processamento manual1 |
Ajuste de HP2 ml.trial_info |
N/A5 | N/A | ||
Modelos de série temporal | ARIMA_PLUS | Criar modelo | Pré-processamento automático | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
|
ARIMA_PLUS_XREG | Criar modelo | Pré-processamento automático | auto.ARIMA4 | ml.arima_ coefficients | ml.feature_info ml.training_info |
previsão multivariável | |
Modelos remotos de IA generativa | Modelo remoto sobre um modelo de geração de texto da Vertex AI6 | Criar modelo | N/A | N/A | N/A | N/A | |
Modelo remoto sobre um modelo de geração de embedding da Vertex AI6 | Criar modelo | N/A | N/A | N/A | N/A | ||
Modelos remotos de IA | Modelo remoto na API Cloud Vision | Criar modelo | N/A | N/A | N/A | N/A | N/A |
Modelo remoto na API Cloud Translation | Criar modelo | N/A | N/A | N/A | N/A | N/A | |
Modelo remoto na API Cloud Natural Language | Criar modelo | N/A | N/A | N/A | N/A | N/A | |
Modelo remoto na API Document AI (Visualização) |
Criar modelo | N/A | N/A | N/A | N/A | N/A | |
Modelo remoto na API Speech-to-Text (Prévia) |
Criar modelo | N/A | N/A | N/A | N/A | N/A | |
Modelos remotos | Modelo remoto com endpoint da Vertex AI | Criar modelo | N/A | N/A | N/A | N/A | prever com modelos remotos |
Modelos importados | TensorFlow | Criar modelo | N/A | N/A | N/A | N/A | prever com o modelo importado do TensorFlow |
TensorFlow Lite | Criar modelo | N/A | N/A | N/A | N/A | N/A | |
Troca de rede neural aberta (ONNX) | Criar modelo | N/A | N/A | N/A | N/A | ||
XGBoost | Criar modelo | N/A | N/A | N/A | N/A | N/A | |
Modelos somente de transformação7 | Somente de transformação | Criar modelo | Pré-processamento manual1 | N/A | N/A | ml.feature_info | N/A |
1Consulte a cláusula TRANSFORM para o tutorial de engenharia de atributos. Para mais informações sobre as funções de pré-processamento, consulte o tutorial BQML: funções de engenharia de atributos.
2 Consulte o tutorial Usar ajuste de hiperparâmetros para melhorar o desempenho do modelo.
3A engenharia de atributos automática e o ajuste de hiperparâmetros são incorporados ao treinamento de modelo do AutoML por padrão.
4O algoritmo auto.ARIMA realiza o ajuste de hiperparâmetros para o módulo de tendência. O ajuste de hiperparâmetros não é compatível com todo o pipeline de modelagem. Consulte o pipeline de modelagem para mais detalhes.
5O BigQuery ML não é compatível com funções que recuperam os pesos de modelos de árvores otimizadas, floresta aleatória, DNN, amplitude e profundidade, Autoencoder ou AutoML. Para conferir o peso desses modelos, exporte um modelo atual do BigQuery ML para o Cloud Storage e use a biblioteca XGBoost ou o TensorFlow para visualizar a estrutura em árvore dos modelos de árvore ou a estrutura de gráfico das redes neurais. Para mais informações, consulte a documentação do MODELO DE EXPORTAÇÃO e o tutorial do MODELO DE EXPORTAÇÃO.
6Usa um modelo de base da Vertex AI ou o personaliza com o ajuste supervisionado.
7Esse não é um modelo de ML típico, mas um artefato que transforma dados brutos em atributos.
Fase de uso do modelo
1ml.confusion_matrix
é aplicável somente a modelos de classificação.
2ml.roc_curve
é aplicável somente a modelos de classificação binária.
3ml.explain_predict
é uma versão estendida de ml.predict
.
Para mais informações, consulte Visão geral da Explainable AI.
Para saber como a ml.explain_predict
é usada, consulte o tutorial de regressão e o tutorial de classificação.
4Para saber a diferença entre ml.global_explain
e
ml.feature_importance
, consulte a
Visão geral da Explainable AI.
5Confira o tutorial Exportar um modelo do BigQuery ML para previsão on-line. Para mais informações sobre a exibição on-line, consulte o tutorial BQML: criar modelo com transposição inline.
6Para modelos ARIMA_PLUS
ou ARIMA_PLUS_XREG
, ml.evaluate
pode receber novos dados como entrada para calcular métricas de previsão, como erro percentual absoluto médio (MAPE). Na ausência de novos dados, ml.evaluate
tem uma versão ml.arima_evaluate
estendida que gera informações de avaliação diferentes.
7ml.explain_forecast
é uma versão estendida de ml.forecast
.
Para mais informações, consulte Visão geral da Explainable AI.
Para saber como o ml.explain_forecast
é usado, consulte as etapas de visualização de resultados dos tutoriais de previsão de série temporal única e previsão de várias séries temporais.
8ml.advanced_weights
é uma versão estendida de ml.weights
.
Consulte ml.advanced_weights
para mais detalhes.
9Usa um modelo de base da Vertex AI ou o personaliza com o ajuste supervisionado.
10Esse não é um modelo de ML típico, mas um artefato que transforma dados brutos em atributos.
11Não oferece suporte a todos os LLMs da Vertex AI. Para mais informações, consulte ml.evaluate