Migliora le prestazioni del modello con l'ottimizzazione degli iperparametri

---

Questo tutorial mostra come utilizzare ottimizzazione degli iperparametri BigQuery ML specificando l'opzione di addestramento NUM_TRIALS per abilitare un insieme di prove di addestramento del modello.

In questo tutorial utilizzi Tabella di esempio tlc_yellow_trips_2018 per creare un modello che preveda la mancia di una corsa in taxi. Con iperparametro regolare, il modello mostra un miglioramento delle prestazioni di circa il 40% Obiettivo di ottimizzazione degli iperparametri R2_SCORE.

Obiettivi

In questo tutorial utilizzi:

• BigQuery ML per creare un modello di regressione lineare utilizzando Istruzione CREATE MODEL con NUM_TRIALS impostato su 20.
• La funzione ML.TRIAL_INFO per controllare la panoramica di tutte e 20 le prove
• La funzione ML.EVALUATE per valutare il modello ML
• La funzione ML.PREDICT per fare previsioni utilizzando il modello ML

Costi

Questo tutorial utilizza componenti fatturabili di Google Cloud, tra cui:

• BigQuery
• BigQuery ML

Per ulteriori informazioni sui costi di BigQuery, consulta Prezzi di BigQuery.

Prima di iniziare

1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

5. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

6. BigQuery viene abilitato automaticamente nei nuovi progetti. Per attivare BigQuery in un progetto preesistente, vai a

   Attiva l'API BigQuery.

   Abilita l'API

Passaggio 1: crea il set di dati di addestramento

Crea un set di dati BigQuery per archiviare il tuo modello ML:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai alla pagina di BigQuery

2. Nel riquadro Explorer, fai clic sul nome del tuo progetto.

3. Fai clic su Visualizza azioni > Crea il set di dati.

   

4. Nella pagina Crea set di dati, segui questi passaggi:

   • In ID set di dati, inserisci bqml_tutorial.

   • Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).

     I set di dati pubblici vengono archiviati nell'US più regioni. Per semplicità, per archiviare il set di dati nella stessa posizione.

   • Lascia invariate le restanti impostazioni predefinite e fai clic su Crea il set di dati.

     

Passaggio 2: crea la tabella di input per l'addestramento

In questo passaggio, materializzi la tabella di input di addestramento con 100.000 righe.

1. Visualizza lo schema della tabella di origine tlc_yellow_trips_2018.

   

2. Crea la tabella dei dati di input per l'addestramento.

CREATE TABLE `bqml_tutorial.taxi_tip_input` AS
SELECT
  * EXCEPT(tip_amount), tip_amount AS label
FROM
  `bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2018`
WHERE
  tip_amount IS NOT NULL
LIMIT 100000

Passaggio 3: crea il modello

Quindi, crea un modello di regressione lineare con l'ottimizzazione degli iperparametri utilizzando Tabella di esempio tlc_yellow_trips_2018 in BigQuery. Le seguenti La query GoogleSQL viene utilizzata per creare il modello con l'ottimizzazione degli iperparametri.

CREATE MODEL `bqml_tutorial.hp_taxi_tip_model`
OPTIONS
  (MODEL_TYPE='LINEAR_REG',
   NUM_TRIALS=20,
   MAX_PARALLEL_TRIALS=2) AS
SELECT
  *
FROM
  `bqml_tutorial.taxi_tip_input`

Dettagli query

Il modello LINEAR_REG ha due iperparametri ottimizzabili: l1_reg e l2_reg. La query precedente utilizza lo spazio di ricerca predefinito. Puoi anche specificare la ricerca in modo esplicito:

OPTIONS
  (...
    L1_REG=HPARAM_RANGE(0, 20),
    L2_REG=HPARAM_CANDIDATES([0, 0.1, 1, 10]))

Inoltre, queste altre opzioni di addestramento per l'ottimizzazione degli iperparametri utilizzano valori predefiniti:

• HPARAM_TUNING_ALGORITHM: "VIZIER_DEFAULT"
• HPARAM_TUNING_OBJECTIVES: ["r2_score"]

MAX_PARALLEL_TRIALS è impostato su 2 per accelerare il processo di ottimizzazione. Con 2 in esecuzione in qualsiasi momento, l'intera ottimizzazione dovrebbe richiedere circa 10 di addestramento seriale anziché 20. Tieni presente, tuttavia, che le due prove simultanee non possono sfruttano i reciproci risultati di addestramento.

Esegui la query CREATE MODEL

Per eseguire la query CREATE MODEL in modo da creare e addestrare il modello:

1. Nella console Google Cloud, fai clic sul pulsante Crea nuova query.

2. Inserisci la query GoogleSQL precedente nell'area di testo Editor query.

3. Fai clic su Esegui.

   Il completamento della query richiede circa 17 minuti. Puoi monitorare l'ottimizzazione avanzamento dei dettagli dell'esecuzione in Fasi:

   

Passaggio 4: recupera informazioni sulle prove

Per una panoramica di tutti gli studi, inclusi iperparametri, obiettivi e la prova ottimale, puoi utilizzare ML.TRIAL_INFO e potrai visualizzare il risultato nella console Google Cloud dopo aver eseguito l'SQL.

SELECT *
FROM
  ML.TRIAL_INFO(MODEL `bqml_tutorial.hp_taxi_tip_model`)

Puoi eseguire questa query SQL al termine di una prova. Se l'ottimizzazione viene interrotta al centro, tutte le prove già completate rimarranno disponibili per l'uso.

Passaggio 5: valuta il modello

Dopo aver creato il modello, puoi ottenere le metriche di valutazione di tutte le prove utilizzando ML.EVALUATE o tramite la console Google Cloud.

Esegui ML.EVALUATE

SELECT *
FROM
  ML.EVALUATE(MODEL `bqml_tutorial.hp_taxi_tip_model`)

Questo SQL recupera le metriche di valutazione per tutte le prove calcolate dal report e i dati di Google Cloud. Per ulteriori informazioni sulla differenza tra ML.TRIAL_INFO e ML.EVALUATE metriche di valutazione, consulta Funzioni di gestione del modello.

Puoi anche valutare una prova specifica fornendo i tuoi dati. Per ulteriori informazioni le informazioni, vedi Funzioni di pubblicazione del modello.

Controlla le metriche di valutazione tramite la console Google Cloud

Puoi anche controllare le metriche di valutazione selezionando la scheda EVALUATION.

Passaggio 6: usa il tuo modello per prevedere le mance per i taxi

Ora che hai valutato il modello, il passaggio successivo è utilizzarlo per prevedere la mancia del taxi.

La query utilizzata per prevedere la mancia è la seguente:

SELECT
  *
FROM
  ML.PREDICT(MODEL `bqml_tutorial.hp_taxi_tip_model`,
    (
    SELECT
      *
    FROM
      `bqml_tutorial.taxi_tip_input`
    LIMIT 10))

Dettagli query

L'istruzione SELECT più in alto recupera tutte le colonne, incluso il predicted_label. Questa colonna viene generata dalla funzione ML.PREDICT. Quando utilizzi la funzione ML.PREDICT, il nome della colonna di output per il modello è predicted_label_column_name.

Per impostazione predefinita, la previsione viene effettuata sulla base della prova ottimale. Puoi selezionare in un'altra prova specificando il parametro trial_id.

SELECT
  *
FROM
  ML.PREDICT(MODEL `bqml_tutorial.hp_taxi_tip_model`,
    (
    SELECT
      *
    FROM
      `bqml_tutorial.taxi_tip_input`
    LIMIT
      10),
    STRUCT(3 AS trial_id))

Per maggiori dettagli su come utilizzare le funzioni di pubblicazione del modello, consulta Funzioni di pubblicazione del modello.

Esegui la pulizia

Per evitare che al tuo Account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

• Puoi eliminare il progetto che hai creato.
• In alternativa, puoi mantenere il progetto ed eliminare il set di dati.

Elimina il set di dati

L'eliminazione del progetto rimuove tutti i set di dati e tutte le tabelle nel progetto. Se se preferisci riutilizzare il progetto, puoi eliminare il set di dati creato tutorial:

1. Se necessario, apri la pagina BigQuery nel nella console Google Cloud.

   Vai alla pagina di BigQuery

2. Nel pannello di navigazione, fai clic sul set di dati bqml_tutorial che hai creato.

3. Sul lato destro della finestra, fai clic su Elimina set di dati. Questa azione il set di dati, la tabella e tutti i dati.

4. Nella finestra di dialogo Elimina set di dati, digita per confermare il comando di eliminazione il nome del set di dati (bqml_tutorial), quindi fai clic su Elimina.

Elimina il progetto

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività in questo documento, quando lo elimini elimini anche qualsiasi altro lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella console Google Cloud, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

Passaggi successivi

• Per saperne di più sul machine learning, consulta Machine Learning Crash Course.
• Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
• Per saperne di più sulla console Google Cloud, consulta Utilizzo della console Google Cloud.