Diese Seite wurde von der Cloud Translation API übersetzt.

End-to-End-Nutzerpfade für ML-Modelle

In diesem Dokument werden die Nutzerpfade für Modelle für maschinelles Lernen beschrieben, die in BigQuery ML trainiert werden. Außerdem werden die Anweisungen und Funktionen beschrieben, die Sie zum Arbeiten mit ML-Modellen verwenden können. BigQuery ML bietet die folgenden Arten von ML-Modellen:

Modelle für überwachtes Lernen:
Modelle für unüberwachtes Lernen:
Nur-Transformationsmodelle: Nur-Transformationsmodelle sind keine typischen ML-Modelle, sondern Artefakte, die Rohdaten in Features umwandeln.

User Journeys für die Modellerstellung

In der folgenden Tabelle werden die Anweisungen und Funktionen beschrieben, die Sie zum Erstellen und Optimieren von Modellen verwenden können:

Modellkategorie	Modelltyp	Modellerstellung	Vorverarbeitung von Features	Hyperparameter-Abstimmung¹	Modellgewichtungen	Funktions- und Trainingsinformationen	Tutorials
Beaufsichtigtes Lernen	Lineare und logistische Regression	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Lineare Regression verwenden, um das Gewicht von Pinguinen vorherzusagen Klassifizierung mit einem logistischen Regressionsmodell durchführen
	Neuronale Deep-Learning-Netzwerke (DNN)	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	Wide-and-Deep-Netzwerke	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Feinabstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	Boosted Trees	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Feinabstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Klassifizierung mit einem Boosted Tree-Modell durchführen
	Random Forest	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Feinabstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	AutoML-Klassifizierung und -Regression	`CREATE MODEL`	AutoML führt automatisch Feature Engineering durch	AutoML führt automatisch eine Hyperparameter-Abstimmung durch.	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
Unbeaufsichtigtes Lernen	K-means	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Feinabstimmung `ML.TRIAL _INFO`	`ML.CENTROIDS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Cluster in Daten zu Fahrradstationen finden
	Matrixfaktorisierung	`CREATE MODEL`	–	Hyperparameter-Feinabstimmung `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Filme auf Grundlage von explizitem Feedback empfehlen Inhalte auf Grundlage von implizitem Feedback empfehlen
	Analyse der Hauptkomponenten (PCA)	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	–	`ML.PRINCIPAL _COMPONENTS` `ML.PRINCIPAL _COMPONENT _INFO`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	Autoencoder	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Feinabstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
Nur Transformation	Nur Transformation	`CREATE MODEL`	Manuelle Vorverarbeitung	–	–	`ML.FEATURE _INFO`	–

¹ Ein Schritt-für-Schritt-Beispiel für die Verwendung der Hyperparameter-Abstimmung finden Sie unter Modellleistung mit Hyperparameter-Abstimmung verbessern.

² BigQuery ML bietet keine Funktion zum Abrufen der Gewichte für dieses Modell. Um die Gewichte des Modells zu sehen, können Sie das Modell aus BigQuery ML in Cloud Storage exportieren und dann mit der XGBoost-Bibliothek oder der TensorFlow-Bibliothek die Baumstruktur für Baummodelle oder die Grafikstruktur für neuronale Netze visualisieren. Weitere Informationen finden Sie unter EXPORT MODEL und BigQuery ML-Modell für Onlinevorhersagen exportieren.

User Journeys für die Modellnutzung

In der folgenden Tabelle werden die Anweisungen und Funktionen beschrieben, mit denen Sie Modelle auswerten, erklären und Vorhersagen abrufen können:

Modellkategorie	Modelltyp	Evaluierung	Inferenz	KI-Erklärung	Modellmonitoring
Beaufsichtigtes Lernen	Lineare und logistische Regression	`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`
	Neuronale Deep-Learning-Netzwerke (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`
	Wide-and-Deep-Netzwerke	`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`
	Boosted Trees	`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`
	Random Forest	`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`
	AutoML-Klassifizierung und -Regression	`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`
Unbeaufsichtigtes Lernen	K-means	`ML.EVALUATE`	`ML.PREDICT` `ML.DETECT _ANOMALIES` `ML.TRANSFORM`	–	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
	Matrixfaktorisierung	`ML.EVALUATE`	`ML.RECOMMEND` `ML.GENERATE _EMBEDDING`	–	–
	Analyse der Hauptkomponenten (PCA)	`ML.EVALUATE`	`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`
	Autoencoder	`ML.EVALUATE`	`ML.PREDICT` `ML.GENERATE _EMBEDDING` `ML.DETECT _ANOMALIES` `ML.RECONSTRUCTION _LOSS` `ML.TRANSFORM`	–	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
Nur Transformation	Nur Transformation	–	`ML.TRANSFORM`	–	–

¹ ML.CONFUSION_MATRIX gilt nur für Klassifizierungsmodelle.

²ML.ROC_CURVE gilt nur für binäre Klassifizierungsmodelle.

³ Die Funktion ML.EXPLAIN_PREDICT umfasst die Funktion ML.PREDICT, da ihre Ausgabe eine Obermenge der Ergebnisse von ML.PREDICT ist.

⁴Die Unterschiede zwischen ML.GLOBAL_EXPLAIN und ML.FEATURE_IMPORTANCE finden Sie unter Explainable AI – Übersicht.

⁵: Die Funktion ML.ADVANCED_WEIGHTS umfasst die Funktion ML.WEIGHTS, da ihre Ausgabe eine Obermenge der Ergebnisse von ML.WEIGHTS ist.