Descripción general de las ponderaciones de los modelos de BigQuery ML
En este documento se describe cómo admite BigQuery ML la visibilidad de los pesos de los modelos de aprendizaje automático.
Un modelo de aprendizaje automático es un artefacto que se guarda después de ejecutar un algoritmo de aprendizaje automático en datos de entrenamiento. El modelo representa las reglas, los números y cualquier otra estructura de datos específica del algoritmo que se necesite para hacer predicciones. Estos son algunos ejemplos:
- Un modelo de regresión lineal se compone de un vector de coeficientes que tienen valores específicos.
- Un modelo de árbol de decisión se compone de uno o varios árboles de instrucciones condicionales que tienen valores específicos.
- Un modelo de red neuronal profunda se compone de una estructura de gráfico con vectores o matrices de pesos que tienen valores específicos.
En BigQuery ML, el término pesos del modelo se usa para describir los componentes de los que se compone un modelo.
Ofertas de pesos de modelos en BigQuery ML
BigQuery ML ofrece varias funciones que puedes usar para obtener los pesos de los modelos.
| Categoría de modelo | Tipos de modelo | Funciones de ponderación de modelos | Qué hace la función |
|---|---|---|---|
| Modelos supervisados | Regresión lineal y logística | ML.WEIGHTS |
Obtiene los coeficientes de las características y la intersección. |
| Modelos no supervisados | K-means | ML.CENTROIDS |
Obtiene los coeficientes de las características de todos los centroides. |
| Factorización de matriz | ML.WEIGHTS |
Obtiene los pesos de todos los factores latentes. Representan las dos matrices descompuestas: la matriz de usuarios y la matriz de artículos. | |
| PCA | ML.PRINCIPAL_COMPONENTS |
Obtiene los coeficientes de las características de todos los componentes principales, también conocidos como vectores propios. | |
ML.PRINCIPAL_COMPONENT_INFO |
Obtiene las estadísticas de cada componente principal, como el valor propio. | ||
| Modelos de series temporales | ARIMA_PLUS | ML.ARIMA_COEFFICIENTS |
Obtiene los coeficientes del modelo ARIMA, que se usa para modelar el componente de tendencia de la serie temporal de entrada. Para obtener información sobre otros componentes, como los patrones estacionales que se dan en la serie temporal, usa ML.ARIMA_EVALUATE. |
BigQuery ML no admite funciones de peso de modelo para los siguientes tipos de modelos:
Para ver los pesos de todos estos tipos de modelos, excepto los de AutoML Tables, exporta el modelo de BigQuery ML a Cloud Storage. Después, puedes usar la biblioteca XGBoost para visualizar la estructura de árbol de los modelos de árbol de refuerzo y de bosque aleatorio, o la biblioteca TensorFlow para visualizar la estructura de gráfico de los modelos de red neuronal profunda y de red neuronal profunda y amplia. No hay ningún método para obtener información sobre el peso de los modelos de AutoML Tables.
Para obtener más información sobre cómo exportar un modelo, consulta la sentencia EXPORT MODEL y el artículo Exportar un modelo de BigQuery ML para hacer predicciones online.
Siguientes pasos
Para obtener más información sobre las instrucciones y funciones de SQL admitidas en los modelos de aprendizaje automático, consulta Recorridos de usuario completos para modelos de aprendizaje automático.