Types de caractéristiques d'entrée compatibles

BigQuery ML accepte différents types de caractéristiques d'entrée pour différents types de modèles. Les types de caractéristiques d'entrée compatibles sont répertoriés dans le tableau suivant :

Catégorie de modèle	Types de modèles	Types numériques (INT64, NUMERIC, BIGNUMERIC, FLOAT64)	Types catégoriels (BOOL, STRING, BYTES, DATE, DATETIME)	TIMESTAMP	STRUCT	GEOGRAPHY	ARRAY<types numériques>	ARRAY<types catégoriels>	ARRAY<STRUCT<INT64, types numériques>>
Apprentissage supervisé	Régression linéaire et logistique	✔	✔	✔	✔		✔	✔	✔
	Réseau de neurones profond	✔	✔		✔		✔	✔	✔
	Wide et deep learning	✔	✔		✔		✔	✔	✔
	Arbres de décision à boosting	✔	✔		✔		✔	✔	✔
	AutoML Tables	✔	✔	✔	✔		✔	✔
Apprentissage non supervisé	K-moyennes	✔	✔	✔	✔	✔	✔	✔
	ACP	✔	✔	✔	✔		✔	✔
	Auto-encodeur	✔	✔	✔	✔		✔	✔	✔
Modèles de séries temporelles	ARIMA_PLUS_XREG	✔	✔	✔	✔			✔	✔

Remarque : Les modèles de factorisation matricielle et ARIMA_PLUS possèdent des types de fonctionnalités d'entrée spéciaux. Les types d'entrée répertoriés pour ARIMA_PLUS_XREG ne sont destinés qu'aux régresseurs externes.

Entrée vectorielle dense

BigQuery ML accepte ARRAY<numerical> en tant qu'entrée vectorielle dense lors de l'entraînement du modèle. La fonctionnalité d'embedding est un type spécial de vecteur dense. Pour en savoir plus, consultez la documentation de la fonction ML.GENERATE_EMBEDDING.

Entrée creuse

BigQuery ML accepte ARRAY<STRUCT> en tant qu'entrée creuse lors de l'entraînement du modèle. Chaque structure contient une valeur INT64 qui représente son index basé sur zéro, et un type numérique qui représente la valeur correspondante.

Voici un exemple de saisie de Tensor creuse pour le tableau d'entiers [0,1,0,0,0,0,1] :

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