BigQuery ML 模型權重總覽

本文說明 BigQuery ML 如何支援機器學習 (ML) 模型的模型權重探索功能。

機器學習模型是一種構件，在訓練資料上執行機器學習演算法後會儲存下來。模型代表預測所需的規則、數字和任何其他演算法專屬資料結構。以下提供幾個範例：

  • 線性迴歸模型是由具有特定值的係數向量組成。
  • 決策樹模型是由一或多個樹狀結構的 if-then 陳述式組成，這些陳述式具有特定值。
  • 深層類神經網路模型是由圖形結構組成，其中包含特定值的權重向量或矩陣。

在 BigQuery ML 中，「模型權重」一詞用於描述模型所包含的元件。

BigQuery ML 中的模型權重供應項目

BigQuery ML 提供多種函式，可用於擷取不同模型的模型權重。

模型類別 模型類型 模型權重函式 函式用途
受監護裝置 線性與邏輯迴歸 ML.WEIGHTS 擷取特徵係數和截距。
非監督式模型 Kmeans ML.CENTROIDS 擷取所有群集中心的特徵係數。
矩陣分解 ML.WEIGHTS 擷取所有潛在因子的權重。這兩個矩陣代表分解後的矩陣，也就是使用者矩陣和項目矩陣。
PCA ML.PRINCIPAL_COMPONENTS 擷取所有主成分的特徵係數，又稱為特徵向量。
ML.PRINCIPAL_COMPONENT_INFO 擷取每個主成分的統計資料，例如特徵值。
時間序列模型 ARIMA_PLUS ML.ARIMA_COEFFICIENTS 擷取 ARIMA 模型的係數，用於模擬輸入時間序列的趨勢成分。如要瞭解其他元件 (例如時間序列中的季節性模式)，請使用 ML.ARIMA_EVALUATE。

BigQuery ML 不支援下列模型類型的模型權重函式：

如要查看所有模型類型的權重 (AutoML Tables 模型除外)，請將模型從 BigQuery ML 匯出至 Cloud Storage。接著，您可以使用 XGBoost 程式庫，將提升樹狀結構和隨機森林模型的樹狀結構視覺化，也可以使用 TensorFlow 程式庫，將 DNN 和寬而深模型的圖形結構視覺化。AutoML Tables 模型沒有取得模型權重資訊的方法。

如要進一步瞭解如何匯出模型，請參閱EXPORT MODEL 陳述式和「匯出 BigQuery ML 模型以進行線上預測」。

後續步驟

如要進一步瞭解 ML 模型支援的 SQL 陳述式和函式，請參閱ML 模型端對端使用者歷程。