Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Présentation des pondérations de modèle BigQuery ML
Ce document décrit la façon dont BigQuery ML assure la visibilité des pondérations des modèles de machine learning (ML).
Un modèle de ML est un artefact enregistré après l'exécution d'un algorithme de ML sur des données d'entraînement. Le modèle représente les règles, les nombres et toute autre structure de données spécifique à un algorithme nécessaires pour réaliser des prédictions. Voici quelques exemples :
Un modèle de régression linéaire est composé d'un vecteur de coefficients ayant des valeurs spécifiques.
Un modèle en arbre de décision est composé d'une ou de plusieurs arborescences d'instructions if-then ayant des valeurs spécifiques.
Un modèle de réseau de neurones profond est composé d'une structure de graphique avec des vecteurs ou des matrices de pondérations ayant des valeurs spécifiques.
Dans BigQuery ML, le terme pondérations du modèle est utilisé pour décrire les composants d'un modèle.
Récupère les pondérations de tous les facteurs latents. Elles représentent les deux matrices décomposées, la matrice utilisateur et la matrice d'éléments.
Récupère les coefficients du modèle ARIMA, utilisés pour modéliser le composant de tendance de la série temporelle d'entrée. Pour obtenir des informations sur d'autres composants (par exemple, les tendances saisonnières) présents dans la série temporelle, utilisez ML.ARIMA_EVALUATE.
BigQuery ML n'accepte pas les fonctions de pondération pour les types de modèles suivants :
Pour afficher les pondérations de tous ces types de modèles, à l'exception des modèles AutoML Tables, exportez le modèle de BigQuery ML vers Cloud Storage.
Vous pouvez ensuite utiliser la bibliothèque XGBoost pour visualiser l'arborescence des modèles en arbre de décision à boosting et en forêt d'arbres décisionnels, ou la bibliothèque TensorFlow pour visualiser la structure du graphique pour les modèles DNN et wide et deep learning. Aucune méthode ne permet d'obtenir des informations sur la pondération des modèles AutoML Tables.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/09/04 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/09/04 (UTC)."],[[["\u003cp\u003eBigQuery ML uses the term "model weights" to describe the components that make up a machine learning model, such as coefficients, trees of if-then statements, or graph structures with weights.\u003c/p\u003e\n"],["\u003cp\u003eBigQuery ML provides functions like \u003ccode\u003eML.WEIGHTS\u003c/code\u003e, \u003ccode\u003eML.CENTROIDS\u003c/code\u003e, \u003ccode\u003eML.PRINCIPAL_COMPONENTS\u003c/code\u003e, \u003ccode\u003eML.PRINCIPAL_COMPONENT_INFO\u003c/code\u003e, and \u003ccode\u003eML.ARIMA_COEFFICIENTS\u003c/code\u003e to retrieve model weights for various supervised and unsupervised model types.\u003c/p\u003e\n"],["\u003cp\u003eSupported model categories include supervised models like Linear and Logistic Regression, and unsupervised models like Kmeans, Matrix Factorization, and PCA, alongside Time series models such as ARIMA_PLUS, each having their corresponding weight retrieval functions.\u003c/p\u003e\n"],["\u003cp\u003eModel weight functions are not supported for models like Boosted tree, Random forest, Deep neural network (DNN), Wide-and-deep, and AutoML Tables, however, you can export most of these model types to Cloud Storage to visualize them using XGBoost or TensorFlow, except for AutoML Tables.\u003c/p\u003e\n"]]],[],null,["# BigQuery ML model weights overview\n==================================\n\nThis document describes how BigQuery ML supports model weights\ndiscoverability for machine learning (ML) models.\n\nAn ML model is an artifact that is saved after running an ML algorithm on\ntraining data. The model represents the rules, numbers,\nand any other algorithm-specific data structures that are required to make\npredictions. Some examples include the following:\n\n- A linear regression model is comprised of a vector of coefficients that have specific values.\n- A decision tree model is comprised of one or more trees of if-then statements that have specific values.\n- A deep neural network model is comprised of a graph structure with vectors or matrices of weights that have specific values.\n\nIn BigQuery ML, the term *model weights* is used to describe the\ncomponents that a model is comprised of.\n\nFor information about the supported SQL statements and functions for each\nmodel type, see\n[End-to-end user journey for each model](/bigquery/docs/e2e-journey).\n\nModel weights offerings in BigQuery ML\n--------------------------------------\n\nBigQuery ML offers multiple functions that you can use to\nretrieve the model weights for different models.\n\nBigQuery ML doesn't support model weight functions for the\nfollowing types of models:\n\n- [Boosted tree](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-boosted-tree)\n- [Random forest](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-random-forest)\n- [Deep neural network (DNN)](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-dnn-models)\n- [Wide-and-deep](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-wnd-models)\n- [AutoML Tables](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-automl)\n\nTo see the weights of all of these model types except for AutoML Tables\nmodels, export the model from BigQuery ML to Cloud Storage.\nYou can then use the XGBoost library to visualize the tree structure for\nboosted tree and random forest models, or the TensorFlow library\nto visualize the graph structure for DNN and wide-and-deep models. There is no\nmethod for getting model weight information for AutoML Tables models.\n\nFor more information about exporting a model, see\n[`EXPORT MODEL` statement](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-export-model)\nand\n[Export a BigQuery ML model for online prediction](/bigquery/docs/export-model-tutorial)."]]