Percorso dell'utente end-to-end per ogni modello

BigQuery ML supporta una varietà di modelli di machine learning e un modello flusso di apprendimento per ogni modello, come pre-elaborazione delle caratteristiche, ottimizzazione, inferenza, valutazione ed esportazione del modello degli iperparametri. La macchina di machine learning per i modelli sono suddivisi nelle due tabelle seguenti:

• Fase di creazione del modello
• Fase di utilizzo del modello

Fase di creazione del modello

Categoria del modello	Tipi di modelli	Creazione del modello	Pre-elaborazione delle funzionalità	Ottimizzazione degli iperparametri	Pesi del modello	Funzionalità e informazioni sull'addestramento	Tutorial
Apprendimento supervisionato	Regressione lineare e logistica	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	ml.weights	ml.feature_info ml.training_info	regressione classificazione
	DNN (Deep Neural Network)	create model			N/D^5		N/D
	Reti Wide and Deep	crea modello			N/D^5		N/D
	Alberi potenziati	create model			N/D^5		N/D
	Foresta casuale	crea modello			N/D^5		N/D
	Classificazione e regressione AutoML	create model	N/D^3	N/D^3	N/D^5		N/D
Apprendimento non supervisionato	K-means	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	ml.centroids	ml.feature_info ml.training_info	raggruppare le stazioni di ricarica delle biciclette
	fattorizzazione matriciale	crea modello	N/D	Ottimizzazione HP^2 ml.trial_info	ml.weights		feedback esplicito feedback implicito
	Analisi delle componenti principali (PCA)	crea modello	Pre-elaborazione automatica, Pre-elaborazione manuale^1	N/D	ml.principal_ components, ml.principal_ component_info		N/D
	Autoencoder	create model	Pre-elaborazione automatica, Pre-elaborazione manuale^1	Ottimizzazione HP^2 ml.trial_info	N/D^5		N/D
Modelli di serie temporali	ARIMA_PLUS	crea modello	Pre-elaborazione automatica	auto.ARIMA^4	coefficienti_ml.arima	ml.feature_info ml.training_info	serie singola multi-serie Milioni di serie festività personalizzate limita i valori previsti previsione gerarchica di serie temporali
	ARIMA_PLUS_XREG	create model	Pre-elaborazione automatica	auto.ARIMA^4	Coefficienti_ml.arima	ml.feature_info ml.training_info	previsione multivariata
Modelli remoti di IA generativa	Modello remoto su un modello di generazione di testo di Vertex AI^6	create model	N/D	N/A	N/A	N/D	genera testo con modello remoto utilizzano l'ottimizzazione e la valutazione per migliorare le prestazioni dei modelli LLM
	Modello remoto su un modello di generazione di embedding di Vertex AI^6	create model	N/D	N/A	N/A	N/D	generare embedding di testo con un modello remoto generare embedding di immagini con un modello remoto generare e cercare incorporamenti multimodali
modelli remoti AI	Modello remoto tramite l'API Cloud Vision	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Cloud Translation	create model	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Cloud Natural Language	crea modello	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Document AI	crea modello	N/D	N/A	N/A	N/A	N/D
	Modello remoto tramite l'API Speech-to-Text	create model	N/D	N/A	N/A	N/A	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	crea modello	N/D	N/A	N/A	N/D	previsione con modello remoto
Modelli importati	TensorFlow	crea modello	N/D	N/A	N/A	N/D	fare previsioni con un modello TensorFlow importato
	TensorFlow Lite	crea modello	N/D	N/A	N/A	N/A	N/D
	Open Neural Network Exchange (ONNX)	create model	N/D	N/A	N/A	N/D	Eseguire previsioni con i modelli scikit-learn in formato ONNX Eseguire previsioni con modelli PyTorch in formato ONNX
	XGBoost	create model	N/D	N/A	N/A	N/A	N/D
Modelli solo per la trasformazione^7	Solo trasformazione	crea modello	Pre-elaborazione manuale^1	N/D	N/D	ml.feature_info	N/D
Modelli di analisi del contributo	Analisi del contributo (anteprima)	create model	Pre-elaborazione manuale	N/D	N/A	N/D	Ottenere approfondimenti sui dati da un modello di analisi dei contributi

¹ Vedi TRANSFORM per il tutorial sul feature engineering. Per ulteriori informazioni sulle funzioni di preelaborazione, consulta il tutorial BQML - Funzioni di feature engineering.

²Vedi Utilizzo Tutorial: ottimizzazione degli iperparametri per migliorare le prestazioni del modello.

³La feature engineering automatica e l'ottimizzazione degli iperparametri sono integrate per impostazione predefinita nell'addestramento del modello AutoML.

⁴L'algoritmo auto.ARIMA esegue l'ottimizzazione degli iperparametri per il modulo di tendenza. L'ottimizzazione degli iperparametri non è supportata per l'intera modellazione una pipeline o un blocco note personalizzato. Consulta le pipeline di modellazione per ulteriori dettagli.

⁵BigQuery ML non supporta le funzioni che recuperano i pesi per i modelli di alberi potenziati, foreste casuali, DNN, Wide and Deep, Autoencoder o AutoML. Per visualizzare i pesi di questi modelli, puoi esportare un modello esistente da BigQuery ML a Cloud Storage e quindi utilizzare la libreria XGBoost o la libreria TensorFlow per visualizzare la struttura ad albero per i modelli ad albero o la struttura del grafico per le reti neurali. Per ulteriori informazioni, consulta la documentazione di EXPORT MODEL e il tutorial di EXPORT MODEL.

⁶ Utilizza un Modello di base di Vertex AI o la personalizza con l'ottimizzazione supervisionata.

⁷Questo non è un tipico modello ML, ma piuttosto un artefatto che trasforma i dati non elaborati in caratteristiche.

Fase di utilizzo del modello

Categoria del modello	Tipi di modelli	Valutazione	Inferenza	Spiegazione dell'IA	Monitoraggio del modello	Esportazione del modello	Tutorial
Apprendimento supervisionato	Lineare e regressione logistica	ml.evaluate ml.confusion_matrix^1 ml.roc_curve^2	ml.predict ml.transform	ml.explain_predict^3 ml.global_explain ml.advanced_weights^8	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	Esporta modello^5	regressione classificazione
	DNN (Deep Neural Network)						N/D
	Largo e Reti profonde						N/D
	Alberi potenziati			ml.explain_predict^3 ml.global_explain ml.feature_importance^4			N/D
	Foresta casuale						N/D
	AutoML per la classificazione e regressione		ml.predict	ml.global_explain	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		N/D
Apprendimento non supervisionato	K-means	ml.evaluate	ml.predict ml.detect_anomalies ml.transform	N/D	ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate	export model^5	stazioni bici in cluster
	fattorizzazione matriciale		ml.recommend ml.generate_embedding		ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate		feedback esplicito feedback implicito
	Analisi delle componenti principali (PCA)		ml.predict ml.generate_embedding ml.detect_anomalies ml.transform		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		N/D
	Autoencoder		ml.predict ml.generate_embedding ml.detect_anomalies ml.reconstruction_loss ml.transform				N/D
Modelli di serie temporali	ARIMA_PLUS	ml.evaluate ml.arima_evaluate^6 ml.holiday_info	ml.forecast ml.detect_anomalies	ml.explain_forecast^7	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	serie singola multiserie milioni di serie festività personalizzate limitare valori previsti Previsione di serie temporali gerarchiche
	ARIMA_PLUS_XREG		ml.forecast ml.detect_anomalies		ml.describe_data ml.validate_data_drift ml.validate_data_skew ml.tfdv_describe ml.tfdv_validate		previsioni multivariate
Modelli di IA generativa remoti	Modello remoto su un modello di generazione di testo di Vertex AI^9	ml.evaluate^11 (anteprima)	ml.generate_text	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	genera testo con il modello remoto Utilizzare l'ottimizzazione e la valutazione per migliorare il rendimento degli LLM
	Modello remoto su un modello di generazione di embedding di Vertex AI^9	N/D	ml.generate_embedding	N/D		N/D	generare incorporamenti di testo con un modello remoto generare embedding di immagini con un modello remoto generare e cercare incorporamenti multimodali
modelli remoti AI	Modello remoto tramite l'API Cloud Vision	N/D	ml.annotate_image	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	N/D
	Modello remoto tramite l'API Cloud Translation	N/D	ml.translate	N/D		N/A	N/D
	Modello remoto tramite l'API Cloud Natural Language	N/D	ml.understand_text	N/D		N/A	N/D
	Modello remoto sull'API Document AI	N/D	ml.process_document	N/D		N/A	N/D
	Modello remoto tramite l'API Speech-to-Text	N/D	ml.transcribe	N/D		N/A	N/D
Modelli remoti	Modello remoto con un endpoint Vertex AI	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	N/D	previsione con modello remoto
Modelli importati	TensorFlow	N/D	ml.predict	N/D	ml.describe_data ml.validate_data_drift ml.tfdv_describe ml.tfdv_validate	Esporta modello^5	fare previsioni con un modello TensorFlow importato
	TensorFlow Lite	N/D	ml.predict	N/D		N/A	N/D
	Open Neural Network Exchange (ONNX)	N/D	ml.predict	N/D		N/D	Previsione con modelli scikit-learn in formato ONNX Eseguire previsioni con modelli PyTorch in formato ONNX
	XGBoost	N/D	ml.predict	N/D		N/A	N/D
Modelli solo per la trasformazione^10	Solo trasformazione	N/D	ml.transform	N/D	N/D	export model^5	N/D
Modelli di analisi del contributo	Analisi del contributo (anteprima)	N/D	ml.get_insights	N/D	N/A	N/D	Ottenere approfondimenti sui dati da un modello di analisi dei contributi

¹ml.confusion_matrix è applicabile solo ai modelli di classificazione.

²ml.roc_curve è applicabile solo ai modelli di classificazione binaria.

³ml.explain_predict è una versione estesa di ml.predict. Per ulteriori informazioni, consulta la panoramica dell'IA spiegabile. Per scoprire come viene utilizzato ml.explain_predict, consulta il tutorial sulla regressione e il tutorial sulla classificazione.

⁴Per la differenza tra ml.global_explain e ml.feature_importance, consulta Panoramica di Explainable AI.

⁵ Consulta la sezione sull'esportazione Modello BigQuery ML per la previsione online. Per ulteriori informazioni sulla pubblicazione online, consulta il tutorial BQML - Crea modello con trasposizione in linea.

⁶Per i modelli ARIMA_PLUS o ARIMA_PLUS_XREG, ml.evaluate può utilizzare nuovi dati come input per calcolare le metriche di previsione, come l'errore percentuale assoluto medio (MAPE). In assenza di nuovi dati, ml.evaluate ha una versione estesa ml.arima_evaluate che restituisce informazioni di valutazione diverse.

⁷ml.explain_forecast è una versione estesa di ml.forecast. Per ulteriori informazioni, consulta la panoramica dell'IA spiegabile. Per scoprire come viene utilizzato ml.explain_forecast, consulta i passaggi per visualizzare i risultati dei tutorial sulla previsione di una singola serie temporale e sulla previsione di più serie temporali.

⁸ml.advanced_weights è una versione estesa di ml.weights, consulta ml.advanced_weights per ulteriori dettagli.

⁹Utilizza un modello di base Vertex AI o lo personalizza utilizzando l'ottimizzazione supervisionata.

¹⁰Non è un tipico modello ML, ma un artefatto che trasforma i dati non elaborati in caratteristiche.

¹¹Non supportato per tutti gli LLM di Vertex AI. Per ulteriori informazioni, vedi ml.evaluate.