Pre-elaborazione automatica delle funzionalità
BigQuery ML esegue la pre-elaborazione automatica durante l'addestramento utilizzando l'istruzione CREATE MODEL
.
La preelaborazione automatica consiste nell'imputazione dei valori mancanti e nelle trasformazioni degli elementi.
Per informazioni sul supporto della pre-elaborazione delle caratteristiche in BigQuery ML, consulta Panoramica della pre-elaborazione delle funzionalità.
Per informazioni sulle istruzioni e sulle funzioni SQL supportate per ogni 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
e i relativi valori. Quando addestri un modello in BigQuery ML, i valori NULL
vengono trattati come dati mancanti. Quando prevedi gli esiti in BigQuery ML,
possono verificarsi valori mancanti quando BigQuery ML incontra un valore NULL
o un valore non visto in precedenza. Handle BigQuery ML mancanti
in modo diverso a seconda del tipo di dati nella colonna.
Tipo di colonna | Metodo di imputazione |
---|---|
Numerico | Sia durante l'addestramento che durante la previsione, i valori NULL nelle colonne numeriche vengono sostituiti con il valore medio della colonna specificata, come calcolato dalla colonna delle funzionalità nei dati di input originali. |
Codifica one-hot/multi-hot | Sia durante l'addestramento che durante la 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 assegnata una ponderazione pari a 0 durante
la previsione. |
TIMESTAMP |
TIMESTAMP colonne utilizzano una combinazione di metodi di imputazione
da colonne standardizzate e con codifica one-hot. Per il file Unix generato
colonna data e ora, BigQuery ML sostituisce i valori con la colonna Unix medio
tempo nelle colonne originali. Per gli altri valori generati,
BigQuery ML li assegna al rispettivo NULL
per ogni caratteristica estratta. |
STRUCT |
Sia nell'addestramento che nella previsione, ogni campo dell'STRUCT
viene attribuito in base al tipo. |
Trasformazioni delle caratteristiche
Per impostazione predefinita, BigQuery ML trasforma le funzionalità di input come segue:
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
colonne numeriche pari a zero prima di passarle per l'addestramento. Le eccezioni
sono modelli di alberi potenziati e di foreste casuali, per i quali non è possibile
e i modelli K-means, in cui 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 diversi da
modelli di alberi potenziati e foreste casuali. Questa trasformazione genera
una caratteristica separata per ogni valore unico nella colonna. Codifica dell'etichetta
la trasformazione viene applicata per addestrare modelli di alberi potenziati e foreste casuali
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 funzionalità separata per ogni elemento univoco in ARRAY . |
TIMESTAMP |
Trasformazione del timestamp | Quando una regressione lineare o logistica
rileva una colonna TIMESTAMP , estrae
un insieme di componenti da TIMESTAMP ed esegue una combinazione
standardizzazione e codifica one-hot sui componenti estratti. Per
Componente tempo Unix in secondi, BigQuery ML utilizza
standardizzazione. Per tutti gli altri componenti, utilizza la codifica one-hot.Per ulteriori informazioni, consulta tabella di trasformazione delle caratteristiche timestamp di seguito. |
STRUCT |
Espansione struttura | Quando BigQuery ML incontra 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 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.
Componente TIMESTAMP |
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 funzionalità con codifica one-hot, puoi specificare un metodo di codifica predefinito diverso utilizzando l'opzione del modello CATEGORY_ENCODING_METHOD
. Per i modelli di regressione lineare generalizzata (GLM), puoi impostare CATEGORY_ENCODING_METHOD
su uno dei seguenti valori:
Codifica one-hot
La codifica one-hot mappa ogni categoria di una caratteristica al proprio codice binario.
caratteristica, dove 0
rappresenta l'assenza della caratteristica e 1
rappresenta la
(nota come variabile fittizia). Questa mappatura crea N
nuove colonne di caratteristiche, dove N
è il numero di categorie univoche per la caratteristica nella tabella di addestramento.
Ad esempio, supponiamo che la tabella di addestramento abbia una colonna di caratteristiche chiamata
fruit
con le categorie Apple
, Banana
e Cranberry
, come
seguenti:
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 da regressione lineare e logistica e albero potenziato di grandi dimensioni.
Codifica fittizia
La codifica dummy 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
invece di N
per rappresentare le categorie N
di una funzionalità.
Ad esempio, se imposti CATEGORY_ENCODING_METHOD
su 'DUMMY_ENCODING'
per
la stessa colonna di caratteristiche fruit
mostrata nel precedente esempio di codifica one-hot,
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 hanno il maggior numero di occorrenze, viene eliminata una categoria casuale all'interno dell'insieme.
L'insieme finale di pesi di
ML.WEIGHTS
include ancora la categoria eliminata, ma il suo peso è sempre 0.0
. Per
ML.ADVANCED_WEIGHTS
,
l'errore standard e il valore p per la variabile eliminata è NaN
.
Se warm_start
viene utilizzato in un modello inizialmente addestrato con
'DUMMY_ENCODING'
, la stessa variabile segnaposto viene eliminata dalla prima
esecuzione dell'addestramento. I modelli non possono modificare i metodi di codifica tra le esecuzioni di addestramento.
La codifica fittizia è supportata modelli di regressione lineare e logistica.
Codifica delle etichette
La codifica delle etichette trasforma il valore di una caratteristica categorica in un valore INT64
nel mese di [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 dell'etichetta potrebbero essere simili ai seguenti:
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 NULL
che non sono presenti nel vocabolario vengono codificati in 0
.
La codifica delle etichette è supportata dai modelli ad albero con boosting.
Codifica target
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 codificate come target potrebbero avere il seguente aspetto: 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 di destinazione è supportata da modelli di albero potenziati.