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.