Pre-elaborazione automatica delle funzionalità

BigQuery ML esegue la pre-elaborazione automatica durante l'addestramento utilizzando l'istruzione CREATE MODEL. La pre-elaborazione automatica consiste nell'attribuzione del valore mancante e nelle trasformazioni delle caratteristiche.

Per informazioni sul supporto della pre-elaborazione delle caratteristiche in BigQuery ML, consulta Panoramica della pre-elaborazione delle caratteristiche.

Per informazioni sulle istruzioni e sulle funzioni SQL supportate per ogni tipo di modello, consulta Percorso dell'utente end-to-end per ogni modello.

Imputazione dei dati mancante

In statistica, l'imputazione viene utilizzata per sostituire i dati mancanti con valori sostituiti. Quando addestri un modello in BigQuery ML, i valori NULL vengono considerati come dati mancanti. Quando prevedi i risultati in BigQuery ML, è possibile che si verifichino valori mancanti quando BigQuery ML rileva un valore NULL o un valore non rilevato in precedenza. BigQuery ML gestisce i dati mancanti in modo diverso a seconda del tipo di dati nella colonna.

Tipo di colonna Metodo di imputazione
Numerico Sia nell'addestramento che nella previsione, i valori NULL nelle colonne numeriche vengono sostituiti con il valore medio della colonna specificata, calcolato dalla colonna delle caratteristiche nei dati di input originali.
Codifica one-hot/multi-hot Sia nell'addestramento che nella previsione, i valori NULL nelle colonne codificate vengono mappati a una categoria aggiuntiva che viene aggiunta ai dati. Ai dati non visti in precedenza viene assegnato un peso pari a 0 durante la previsione.
TIMESTAMP Le colonne TIMESTAMP utilizzano una combinazione di metodi di imputazione da colonne standardizzate e con codifica one-hot. Per la colonna temporale Unix generata, BigQuery ML sostituisce i valori con il tempo Unix medio nelle colonne originali. Per gli altri valori generati, BigQuery ML li assegna alla rispettiva categoria NULL per ogni caratteristica estratta.
STRUCT Sia nell'addestramento che nella previsione, ogni campo dell'elemento STRUCT viene attribuito in base al tipo.

Trasformazioni delle caratteristiche

Per impostazione predefinita, BigQuery ML trasforma le caratteristiche di input nel modo seguente:

Tipo di dati di input Metodo di trasformazione Dettagli
INT64
NUMERIC
BIGNUMERIC
FLOAT64		 Standardizzazione Per la maggior parte dei modelli, BigQuery ML standardizza e centra le colonne numeriche su zero prima di passarle all'addestramento. Le eccezioni sono i modelli ad albero potenziato e le foreste casuali, per i quali non è prevista alcuna standardizzazione, e i modelli K-means, in cui l'opzione STANDARDIZE_FEATURES controlla se le caratteristiche numeriche sono standardizzate.
BOOL
STRING
BYTES
DATE
DATETIME
TIME		 Codifica one-hot Per tutte le colonne non numeriche e non array diverse da TIMESTAMP, BigQuery ML esegue una trasformazione di codifica one-hot per tutti i modelli, eccetto i modelli ad albero potenziato e i modelli di foresta casuali. Questa trasformazione genera una caratteristica separata per ogni valore univoco della colonna. La trasformazione della codifica delle etichette viene applicata per addestrare modelli ad albero potenziato e foresta casuale per convertire ogni valore unico in un valore numerico.
ARRAY Codifica multi-hot Per tutte le colonne ARRAY non numeriche, BigQuery ML esegue una trasformazione di codifica multi-hot. Questa trasformazione genera una caratteristica separata per ogni elemento univoco in ARRAY.
TIMESTAMP Trasformazione timestamp Quando un modello di regressione lineare o logistica incontra una colonna TIMESTAMP, estrae un insieme di componenti da TIMESTAMP ed esegue una combinazione di standardizzazione e codifica one-hot sui componenti estratti. Per il componente Tempo Unix in secondi, BigQuery ML utilizza la standardizzazione. Per tutti gli altri componenti, utilizza la codifica one-hot.

Per ulteriori informazioni, consulta la tabella di trasformazione delle caratteristiche timestamp di seguito.
STRUCT Espansione struttura Quando BigQuery ML rileva una colonna STRUCT, espande i campi all'interno di STRUCT per creare una singola colonna. Richiede che tutti i campi di STRUCT siano denominati. I valori STRUCT nidificati non sono consentiti. I nomi delle colonne dopo l'espansione sono nel formato {struct_name}_{field_name}.
ARRAY di STRUCT Nessuna trasformazione
ARRAY di NUMERIC Nessuna trasformazione

TIMESTAMP trasformazione delle funzionalità

La seguente tabella mostra i componenti estratti dalle colonne TIMESTAMP e il metodo di trasformazione corrispondente.

TIMESTAMP componente processed_input risultato Metodo di trasformazione
Tempo Unix in secondi [COLUMN_NAME] Standardizzazione
Giorno del mese _TS_DOM_[COLUMN_NAME] Codifica one-hot
Giorno della settimana _TS_DOW_[COLUMN_NAME] Codifica one-hot
Mese dell'anno _TS_MOY_[COLUMN_NAME] Codifica one-hot
Ora del giorno _TS_HOD_[COLUMN_NAME] Codifica one-hot
Minuto _TS_MOH_[COLUMN_NAME] Codifica one-hot
Settimana dell'anno (le settimane iniziano di domenica) _TS_WOY_[COLUMN_NAME] Codifica one-hot
Anno _TS_YEAR_[COLUMN_NAME] Codifica one-hot

Codifica delle caratteristiche della categoria

Per le caratteristiche con codifica one-hot, puoi specificare un diverso metodo di codifica predefinito utilizzando l'opzione di modello CATEGORY_ENCODING_METHOD. Per i modelli lineari generalizzati (GLM), puoi impostare CATEGORY_ENCODING_METHOD su uno dei seguenti valori:

Codifica one-hot

La codifica one-hot mappa ogni categoria di una caratteristica alla propria caratteristica binaria, dove 0 rappresenta l'assenza della caratteristica e 1 rappresenta la presenza (nota come variabile fittizia). Questa mappatura crea N nuove colonne delle caratteristiche, dove N è il numero di categorie univoche per la caratteristica nella tabella di addestramento.

Ad esempio, supponiamo che la tua tabella di addestramento abbia una colonna di caratteristiche denominata fruit con le categorie Apple, Banana e Cranberry, come la seguente:

Riga frutta
1 Apple
2 Banana
3 Mirtillo rosso

In questo caso, l'opzione CATEGORY_ENCODING_METHOD='ONE_HOT_ENCODING' trasforma la tabella nella seguente rappresentazione interna:

Riga fruit_Apple fruit_Banana fruit_Cranberry
1 1 0 0
2 0 1 0
3 0 0 1

La codifica one-hot è supportata dai modelli di regressione lineare e logistica e da albero potenziato.

Codifica fittizia

La codifica fittizia è simile alla codifica one-hot, in cui una caratteristica categorica viene trasformata in un insieme di variabili segnaposto. La codifica fittizia utilizza le variabili segnaposto N-1 anziché le variabili segnaposto N per rappresentare le categorie N per una caratteristica. Ad esempio, se imposti CATEGORY_ENCODING_METHOD su 'DUMMY_ENCODING' per la stessa colonna di caratteristiche fruit mostrata nell'esempio di codifica one-hot precedente, la tabella viene trasformata nella seguente rappresentazione interna:

Riga fruit_Apple fruit_Banana
1 1 0
2 0 1
3 0 0

La categoria con il maggior numero di occorrenze nel set di dati di addestramento viene eliminata. Quando più categorie contengono il maggior numero di occorrenze, viene eliminata una categoria casuale all'interno di questo insieme.

Il set finale di pesi di ML.WEIGHTS include comunque la categoria eliminata, ma la sua ponderazione è sempre 0.0. Per ML.ADVANCED_WEIGHTS, l'errore standard e il valore p per la variabile eliminata sono NaN.

Se warm_start viene utilizzato in un modello inizialmente addestrato con 'DUMMY_ENCODING', la stessa variabile segnaposto viene eliminata dalla prima esecuzione di addestramento. I modelli non possono cambiare i metodi di codifica tra le esecuzioni di addestramento.

La codifica fittizia è supportata dai modelli di regressione lineare e logistica.

Codifica etichetta

La codifica delle etichette trasforma il valore di una caratteristica categorica in un valore INT64 in [0, <number of categories>].

Ad esempio, se hai un set di dati di libri come il seguente:

Titolo Genere
Libro 1 Fantasy
Libro 2 Cucina
Libro 3 Cronologia
Libro 4 Cucina

I valori codificati delle etichette potrebbero avere il seguente aspetto:

Titolo Genere (testo) Genere (numerico)
Libro 1 Fantasy 1
Libro 2 Cucina 2
Libro 3 Cronologia 3
Libro 4 Cucina 2

Il vocabolario di codifica è in ordine alfabetico. I valori e le categorie di NULL che non sono nel vocabolario sono codificati come 0.

La codifica delle etichette è supportata dai modelli ad albero potenziati.

Codifica di destinazione

La codifica del target sostituisce il valore della caratteristica categorica con la probabilità del target per i modelli di classificazione o con il valore previsto del target per i modelli di regressione.

Le caratteristiche che sono state codificate nel target potrebbero avere un aspetto simile al seguente esempio:

# Classification model
+------------------------+----------------------+
| original value         | target encoded value |
+------------------------+----------------------+
| (category_1, target_1) |     0.5              |
| (category_1, target_2) |     0.5              |
| (category_2, target_1) |     0.0              |
+------------------------+----------------------+

# Regression model
+------------------------+----------------------+
| original value         | target encoded value |
+------------------------+----------------------+
| (category_1, 2)        |     2.5              |
| (category_1, 3)        |     2.5              |
| (category_2, 1)        |     1.5              |
| (category_2, 2)        |     1.5              |
+------------------------+----------------------+

La codifica della destinazione è supportata dai modelli ad albero potenziato.