Tipos de funcionalidades de entrada suportados

O BigQuery ML suporta diferentes tipos de funcionalidades de entrada para diferentes tipos de modelos. Os tipos de recursos de entrada suportados estão listados na tabela seguinte:

Categoria do modelo	Tipos de modelos	Tipos numéricos (INT64, NUMERIC, BIGNUMERIC, FLOAT64)	Tipos categóricos (BOOL, STRING, BYTES, DATE, DATETIME)	TIMESTAMP	STRUCT	GEOGRAPHY	ARRAY<Tipos numéricos>	ARRAY<Categorical types>	ARRAY<STRUCT<INT64, Numeric types>>
Aprendizagem supervisionada	Regressão linear e logística	✔	✔	✔	✔		✔	✔	✔
	Redes neurais profundas	✔	✔		✔		✔	✔	✔
	Amplo e profundo	✔	✔		✔		✔	✔	✔
	Árvores com reforço	✔	✔		✔		✔	✔	✔
	AutoML Tables	✔	✔	✔	✔		✔	✔
Aprendizagem não supervisionada	K-means	✔	✔	✔	✔	✔	✔	✔
	PCA	✔	✔	✔	✔		✔	✔
	Autoencoder	✔	✔	✔	✔		✔	✔	✔
Modelos de intervalos temporais	ARIMA_PLUS_XREG	✔	✔	✔	✔			✔	✔

Nota: os modelos de fatorização de matrizes e ARIMA_PLUS têm tipos de funcionalidades de entrada especiais. Os tipos de entrada indicados para ARIMA_PLUS_XREG destinam-se apenas a regressores externos.

Entrada de vetor denso

O BigQuery ML suporta ARRAY<numerical> como entrada de vetor denso durante a preparação do modelo. A funcionalidade de incorporação é um tipo especial de vetor denso. Consulte a função ML.GENERATE_EMBEDDING para mais informações.

Entrada esparsa

O BigQuery ML suporta ARRAY<STRUCT> como entrada esparsa durante o preparação de modelos. Cada struct contém um valor INT64 que representa o respetivo índice com base zero e um tipo numérico que representa o valor correspondente.

Segue-se um exemplo de uma entrada de tensor esparso para a matriz de números inteiros [0,1,0,0,0,0,1]:

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