Panoramica dei pesi dei modelli BigQuery ML

Questo documento descrive in che modo BigQuery ML supporta i pesi dei modelli la rilevabilità per i modelli di machine learning (ML).

Un modello ML è un artefatto che viene salvato dopo aver eseguito un algoritmo ML dati di addestramento. Il modello rappresenta le regole, i numeri e qualsiasi altra struttura di dati specifica dell'algoritmo, che è necessaria per rendere per le previsioni. Ecco alcuni esempi:

  • Un modello di regressione lineare è composto da un vettore di coefficienti con valori specifici.
  • Un modello di albero decisionale è composto da uno o più alberi di if-then istruzioni che hanno valori specifici.
  • Un modello di rete neurale profonda è composto da una struttura di grafico con vettori o matrici di pesi che hanno valori specifici.

In BigQuery ML, il termine pesi del modello viene utilizzato per descrivere il i componenti di un modello.

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

Il modello pondera le offerte in BigQuery ML

BigQuery ML offre diverse funzioni che puoi utilizzare recuperare i pesi dei diversi modelli.

Categoria di modello Tipi di modello Funzioni per le ponderazioni dei modelli Che cosa fa la funzione
Modelli supervisionati Lineare e Regressione logistica ML.WEIGHTS Recupera i coefficienti delle caratteristiche e l'intercetta.
Modelli non supervisionati Kmeans ML.CENTROIDS Recupera i coefficienti delle caratteristiche per tutti i baridi.
Fattorizzazione matriciale ML.WEIGHTS Consente di recuperare i pesi di tutti i fattori latenti. Rappresentano le due matrici scomposte, la matrice utente e la matrice degli elementi.
PCA ML.PRINCIPAL_COMPONENTS Recupera i coefficienti delle caratteristiche per tutte le componenti principali, noti anche come autovettori.
ML.PRINCIPAL_COMPONENT_INFO Recupera le statistiche di ciascun componente principale, come autovalore.
Modelli di serie temporali ARIMA_PLUS ML.ARIMA_COEFFICIENTS Recupera i coefficienti del modello ARIMA, utilizzato per modellare il componente della tendenza delle serie temporali di input. Per informazioni sugli altri componenti, ad esempio gli schemi stagionali presenti nella serie temporale, utilizza ML.ARIMA_EVALUATE.

BigQuery ML non supporta le funzioni di ponderazione del modello per i seguenti tipi di modelli:

Per visualizzare i pesi di tutti questi tipi di modelli, tranne AutoML Tables esportarli da BigQuery ML a Cloud Storage. Puoi quindi utilizzare la libreria XGBoost per visualizzare la struttura ad albero per modelli di alberi potenziati e foreste casuali, o la libreria TensorFlow per visualizzare la struttura del grafico per i modelli DNN e Wide and Deep. Non sono presenti per ottenere informazioni sul peso del modello per i modelli AutoML Tables.

Per ulteriori informazioni sull'esportazione di un modello, consulta Dichiarazione EXPORT MODEL e Esporta un modello BigQuery ML per la previsione online.