Unterstützte Eingabefeature-Typen

BigQuery ML unterstützt verschiedene Eingabefeaturetypen für verschiedene Modelltypen. In der folgenden Tabelle sind die unterstützten Eingabefeaturetypen aufgeführt:

Modellkategorie	Modelltypen	Numerische Typen (INT64, NUMERIC, BIGNUMERIC, FLOAT64)	Kategoriale Typen (BOOL, STRING, BYTES, DATE, DATETIME)	TIMESTAMP	STRUCT	GEOGRAPHY	ARRAY<Numerische Typen>	ARRAY<Kategoriale Typen>	ARRAY<STRUCT<INT64, numerische Typen>>
Beaufsichtigtes Lernen	Lineare und logistische Regression	✔	✔	✔	✔		✔	✔	✔
	Neuronale Deep-Learning-Netzwerke	✔	✔		✔		✔	✔	✔
	Wide and Deep	✔	✔		✔		✔	✔	✔
	Boosted Trees	✔	✔		✔		✔	✔	✔
	AutoML Tables	✔	✔	✔	✔		✔	✔
Unbeaufsichtigtes Lernen	K-means	✔	✔	✔	✔	✔	✔	✔
	PCA	✔	✔	✔	✔		✔	✔
	Autoencoder	✔	✔	✔	✔		✔	✔	✔
Zeitreihenmodelle	ARIMA_PLUS_XREG	✔	✔	✔	✔			✔	✔

Hinweis: Matrixfaktorisierungsmodelle und ARIMA_PLUS-Modelle haben spezielle Eingabefeaturetypen. Die für ARIMA_PLUS_XREG aufgeführten Eingabetypen sind nur für externe Regressoren verfügbar.

Vektoreingabe mit hoher Dichte

BigQuery ML unterstützt ARRAY<numerical> als dichten Vektoreingang während des Modelltrainings. Die Einbettungsfunktion ist ein spezieller Typ von dichten Vektoren. Weitere Informationen finden Sie unter ML.GENERATE_EMBEDDING-Funktion.

Dünnbesetzte Eingabe

BigQuery ML unterstützt ARRAY<STRUCT> als dünnbesetzte Eingabe während des Modelltrainings. Jede Struktur enthält einen INT64-Wert, der den nullbasierten Index darstellt, und einen numerischen Typ, der den entsprechenden Wert darstellt.

Im Folgenden finden Sie ein Beispiel für eine dünnbesetzte Tensoreingabe für das Ganzzahl-Array [0,1,0,0,0,0,1]:

ARRAY<STRUCT<k INT64, v INT64>>[(1, 1), (6, 1)] AS f1