Panoramica della valutazione dei modelli BigQuery ML
Questo documento descrive in che modo BigQuery ML supporta la valutazione del modello di machine learning (ML).
Panoramica della valutazione del modello
Puoi utilizzare le metriche di valutazione del modello ML per i seguenti scopi:
- Per valutare la qualità dell'adattamento tra il modello e i dati.
- Per confrontare modelli diversi.
- Per prevedere con quanta precisione puoi aspettarti l'esecuzione di ogni modello su un set di dati specifico, nel contesto della selezione del modello.
Le valutazioni dei modelli di apprendimento supervisionato e non supervisionato funzionano in modo diverso:
- Per i modelli di apprendimento supervisionato, la valutazione del modello è ben definita. Un set di valutazione, ovvero dati che non sono stati analizzati dal modello, in genere viene escluso dal set di addestramento e quindi utilizzato per valutare le prestazioni del modello. Ti consigliamo di non utilizzare il set di addestramento per la valutazione, perché ciò causa scarse prestazioni del modello quando generalizzi i risultati della previsione per i nuovi dati. Questo risultato è noto come overfitting.
- Per i modelli di apprendimento non supervisionato, la valutazione è meno definita e solitamente varia da modello a modello. Poiché i modelli di apprendimento non supervisionato non prenotano un set di valutazione, le metriche di valutazione vengono calcolate utilizzando l'intero set di dati di input.
Per informazioni sulle istruzioni e sulle funzioni SQL supportate per ogni tipo di modello, consulta Percorso dell'utente end-to-end per ogni modello.
Offerte di valutazione dei modelli
BigQuery ML offre le seguenti funzioni per calcolare le metriche di valutazione per i modelli ML:
Categoria del modello | Tipi di modello | Funzioni di valutazione del modello | A cosa serve la funzione |
---|---|---|---|
Apprendimento supervisionato | Regressore lineare Regressore degli alberi potenziati Regressore casuale delle foreste Regressore DNN Regressore ampio e profondo Regressore di AutoML Tables |
ML.EVALUATE |
Riporta le seguenti metriche:
|
Regressione logistica Classificazione degli alberi potenziati Classificatore casuale delle foreste Classificatore DNN Classificatore Wide-and-Deep Classificatore AutoML Tables |
ML.EVALUATE |
Riporta le seguenti metriche:
|
|
ML.CONFUSION_MATRIX |
Segnala la matrice di confusione. | ||
ML.ROC_CURVE |
Genera report su metriche per diversi valori di soglia, tra cui:
Si applica solo ai modelli di classificazione di classi binarie. |
||
Apprendimento non supervisionato | K-means | ML.EVALUATE |
Indica l'indice di Davies-Bouldin e la distanza media al quadrato tra i punti dati e i centroidi dei cluster assegnati. |
Fattorizzazione matriciale | ML.EVALUATE |
Per i modelli basati su feedback esplicito, segnala le seguenti metriche:
|
|
Per i modelli basati su feedback implicito, segnala le seguenti metriche:
|
|||
APC | ML.EVALUATE |
Indica il rapporto di varianza totale spiegato. | |
Codificatore automatico | ML.EVALUATE |
Riporta le seguenti metriche:
|
|
Serie temporale | ARIMA_PLUS | ML.EVALUATE
| Riporta le seguenti metriche:
Questa funzione richiede nuovi dati come input. |
ML.ARIMA_EVALUATE
| Mostra le seguenti metriche per tutti i modelli candidati ARIMA caratterizzati da tuple diverse (p, d, q, has_drift):
Segnala anche altre informazioni sulla stagionalità, sugli effetti durante le festività e sui picchi e le cali. Questa funzione non richiede nuovi dati come input. |
Valutazione automatica nelle istruzioni CREATE MODEL
BigQuery ML supporta la valutazione automatica durante la creazione dei modelli. A seconda del tipo di modello, delle opzioni di addestramento della suddivisione dei dati e dell'uso o meno dell'ottimizzazione degli iperparametri, le metriche di valutazione vengono calcolate sul set di dati di valutazione riservato, sul set di dati di test riservato o sull'intero set di dati di input.
Per i modelli K-means, PCA, autoencoder e ARIMA_PLUS, BigQuery ML utilizza tutti i dati di input come dati di addestramento e le metriche di valutazione vengono calcolate sull'intero set di dati di input.
Per i modelli di regressione lineare e logistica, ad albero potenziato, a foresta casuale, DNN, a fattorizzazione "wide-and-deep" e alla fattorizzazione matriciale, le metriche di valutazione vengono calcolate in base al set di dati specificato dalle seguenti opzioni
CREATE MODEL
:Quando addestra questi tipi di modelli utilizzando l'ottimizzazione degli iperparametri, l'opzione
DATA_SPLIT_TEST_FRACTION
aiuta anche a definire il set di dati in base al quale vengono calcolate le metriche di valutazione. Per ulteriori informazioni, consulta Suddivisione dati.Per i modelli AutoML Tables, consulta Come vengono utilizzate le suddivisioni dei dati per l'addestramento e la valutazione.
Per calcolare le metriche di valutazione durante la creazione del modello, utilizza funzioni di valutazione come ML.EVALUATE
sul modello senza dati di input specificati.
Per un esempio, consulta ML.EVALUATE
senza dati di input specificati.
Valutazione con un nuovo set di dati
Dopo la creazione del modello, puoi specificare nuovi set di dati per la valutazione. Per fornire un nuovo set di dati, utilizza funzioni di valutazione come ML.EVALUATE
nel modello con i dati di input specificati. Per un esempio, consulta ML.EVALUATE
con una soglia personalizzata e dati di input.