각 모델의 엔드 투 엔드 사용자 경험

BigQuery ML은 기능 사전 처리, 모델 생성, 초매개변수 조정, 간섭, 평가, 모델 내보내기 등 각 모델에 대해 다양한 머신러닝 모델 및 전체 머신러닝 흐름을 지원합니다. 모델의 머신러닝 흐름은 다음 두 테이블로 분할됩니다.

• 모델 생성 단계
• 모델 사용 단계

모델 생성 단계

모델 카테고리	모델 유형	모델 생성	기능 사전 처리	초매개변수 조정	모델 가중치	기능 및 학습 정보	튜토리얼
지도 학습	선형 및 로지스틱 회귀	모델 생성	자동 사전 처리, 수동 사전 처리^1	HP 조정^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	회귀 분류
	심층신경망	모델 생성			해당 사항 없음^5		해당 사항 없음
	와이드 앤 딥	모델 생성			해당 사항 없음^5		해당 사항 없음
	부스티드 트리	모델 생성			해당 사항 없음^5		해당 사항 없음
	랜덤 포레스트	모델 생성			해당 사항 없음^5		해당 사항 없음
	AutoML Tables	모델 생성	해당 사항 없음^3	해당 사항 없음^3	해당 사항 없음^5		해당 사항 없음
비지도 학습	k-평균	모델 생성	자동 사전 처리, 수동 사전 처리^1	HP 조정^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	자전거 정거장 클러스터링
	행렬 분해	모델 생성	해당 사항 없음	HP 조정^2 ml.trial_info	ml.weights		명시적인 피드백 암시적인 피드백
	PCA	모델 생성	자동 사전 처리, 수동 사전 처리^1	해당 사항 없음	ml.principal_ components, ml.principal_ component_info		해당 사항 없음
	Autoencoder	모델 생성	자동 사전 처리, 수동 사전 처리^1	해당 사항 없음	해당 사항 없음^5		해당 사항 없음
시계열 모델	ARIMA_PLUS	모델 생성	자동 사전 처리	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	단일 계열 멀티 계열 수백만 계열
	ARIMA_PLUS_XREG (미리보기)	모델 생성	자동 사전 처리	auto.ARIMA^4	ml.arima_ coefficients	ml.feature_info ml.training_info	다변량 예측
가져온 모델	TensorFlow	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	가져온 TensorFlow 모델로 예측
	TensorFlow Lite (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음
	ONNX (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	ONNX 형식의 scikit-learn 모델로 예측 ONNX 형식의 PyTorch 모델로 예측
	XGBoost (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음
원격 모델	Vertex AI 엔드포인트가 있는 원격 모델 (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	원격 모델을 사용하여 예측
	Cloud Vision API를 통한 원격 모델 (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음
	Cloud Translation API를 통한 원격 모델 (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음
	Cloud Natural Language API를 통한 원격 모델 (미리보기)	모델 생성	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음	해당 사항 없음

¹특성 추출을 위한 TRANSFORM 절 튜토리얼을 참조하세요.

²초매개변수 조정을 사용하여 모델 성능 개선 튜토리얼을 참조하세요.

³자동 특성 추출 및 초매개변수 조정은 기본적으로 AutoML Tables 모델 학습에 포함되어 있습니다.

⁴auto.ARIMA 알고리즘은 트렌드 모듈에 대한 초매개변수 조정을 수행합니다. 초매개변수 조정은 전체 모델링 파이프라인에서 지원되지 않습니다. 자세한 내용은 모델링 파이프라인을 참조하세요.

⁵BigQuery ML은 부스티드 트리, 랜덤 포레스트, DNN, 와이드 앤 딥, Autoencoder, AutoML Tables 모델의 가중치를 검색하는 함수를 지원하지 않습니다. 이러한 모델의 가중치를 보려면 BigQuery ML에서 Cloud Storage로 기존 모델을 내보내고 XGBoost 라이브러리 또는 TensorFlow 라이브러리를 사용하여 트리 모델의 트리 구조 또는 신경망의 그래프 구조를 시각화할 수 있습니다. 자세한 내용은 EXPORT MODEL 문서 및 EXPORT MODEL 튜토리얼을 참조하세요.

모델 사용 단계

모델 카테고리	모델 유형	평가	추론	AI Explanation	모델 내보내기	튜토리얼
지도 학습	선형 및 로지스틱 회귀	ml.evaluate ml.confusion_matrix^1 ml.roc_curve^2	ml.predict	ml.explain_predict^3 ml.global_explain ml.advanced_weights^8	export model^5	회귀 분류
	심층신경망					해당 사항 없음
	와이드 앤 딥					해당 사항 없음
	부스티드 트리			ml.explain_predict^3 ml.global_explain ml.feature_importance^4		해당 사항 없음
	랜덤 포레스트					해당 사항 없음
	AutoML Tables			해당 사항 없음		해당 사항 없음
비지도 학습	k-평균	ml.evaluate	ml.predict ml.detect_anomalies	해당 사항 없음	export model^5	자전거 정거장 클러스터링
	행렬 분해		ml.recommend			명시적인 피드백 암시적인 피드백
	PCA		ml.predict ml.detect_anomalies			해당 사항 없음
	Autoencoder		ml.predict ml.detect_anomalies ml.reconstruction_loss			해당 사항 없음
시계열 모델	ARIMA_PLUS	ml.evaluate ml.arima_evaluate^6	ml.forecast ml.detect_anomalies	ml.explain_forecast^7	해당 사항 없음	단일 계열 멀티 계열 수백만 계열
	ARIMA_PLUS_XREG (미리보기)	ml.evaluate ml.arima_evaluate^6	ml.forecast	해당 사항 없음	해당 사항 없음	다변량 예측
가져온 모델	TensorFlow	해당 사항 없음	ml.predict	해당 사항 없음	export model^5	가져온 TensorFlow 모델로 예측
	TensorFlow Lite (미리보기)	해당 사항 없음	ml.predict	해당 사항 없음	해당 사항 없음	해당 사항 없음
	ONNX (미리보기)	해당 사항 없음	ml.predict	해당 사항 없음	해당 사항 없음	ONNX 형식의 scikit-learn 모델로 예측 ONNX 형식의 PyTorch 모델로 예측
	XGBoost (미리보기)	해당 사항 없음	ml.predict	해당 사항 없음	해당 사항 없음	해당 사항 없음
원격 모델	Vertex AI 엔드포인트가 있는 원격 모델 (미리보기)	ml.evaluate	ml.predict	해당 사항 없음	해당 사항 없음	원격 모델을 사용하여 예측
	Cloud Vision API를 통한 원격 모델 (미리보기)	해당 사항 없음	ml.annotate_image	해당 사항 없음	해당 사항 없음	해당 사항 없음
	Cloud Translation API를 통한 원격 모델 (미리보기)	해당 사항 없음	ml.translate	해당 사항 없음	해당 사항 없음	해당 사항 없음
	Cloud Natural Language API를 통한 원격 모델 (미리보기)	해당 사항 없음	ml.understand_text	해당 사항 없음	해당 사항 없음	해당 사항 없음

¹ml.confusion_matrix는 분류 모델에만 적용됩니다.

²ml.roc_curve는 이진 분류 모델에만 적용됩니다.

³ml.explain_predict는 ml.predict의 확장된 버전입니다. 자세한 내용은 Explainable AI 개요를 참조하세요. ml.explain_predict 사용 방법은 회귀 튜토리얼 및 분류 튜토리얼을 참조하세요.

⁴ml.global_explain와 ml.feature_importance 사이의 차이점은 Explainable AI 개요를 참조하세요.

⁵온라인 예측을 위해 BigQuery ML 모델 내보내기 튜토리얼을 참조하세요.

⁶ARIMA_PLUS 또는 ARIMA_PLUS_XREG 모델의 경우 ml.evaluate가 새 데이터를 입력으로 사용해서 평균 절대 백분율 오차(MAPE)와 같은 예측 측정항목을 계산할 수 있습니다. 새 데이터가 없으면 ml.evaluate에 다른 평가 정보를 출력하는 확장된 버전 ml.arima_evaluate가 포함됩니다.

⁷ml.explain_forecast는 ml.forecast의 확장된 버전입니다. 자세한 내용은 Explainable AI 개요를 참조하세요. ml.explain_forecast 사용 방법은 단일 시계열 예측 및 멀티 시계열 예측 튜토리얼의 결과 시각화 단계를 참조하세요.

⁸ml.advanced_weights는 ml.weights의 확장된 버전입니다. 자세한 내용은 ml.advanced_weights를 참조하세요.