Vista geral dos pesos do modelo do BigQuery ML
Este documento descreve como o BigQuery ML suporta a capacidade de deteção de ponderações de modelos para modelos de aprendizagem automática (AA).
Um modelo de ML é um artefacto guardado após a execução de um algoritmo de ML em dados de preparação. O modelo representa as regras, os números e quaisquer outras estruturas de dados específicas do algoritmo necessárias para fazer previsões. Alguns exemplos incluem o seguinte:
- Um modelo de regressão linear é composto por um vetor de coeficientes com valores específicos.
- Um modelo de árvore de decisão é composto por uma ou mais árvores de declarações if-then com valores específicos.
- Um modelo de rede neural profunda é composto por uma estrutura de gráfico com vetores ou matrizes de ponderações que têm valores específicos.
No BigQuery ML, o termo ponderações do modelo é usado para descrever os componentes que um modelo inclui.
Ofertas de ponderações de modelos no BigQuery ML
O BigQuery ML oferece várias funções que pode usar para obter as ponderações do modelo para diferentes modelos.
| Categoria do modelo | Tipos de modelos | Funções de ponderações do modelo | O que a função faz |
|---|---|---|---|
| Modelos supervisionados | Regressão linear e logística | ML.WEIGHTS |
Recupera os coeficientes das caraterísticas e a interceção. |
| Modelos não supervisionados | Kmeans | ML.CENTROIDS |
Obtém os coeficientes das caraterísticas para todos os centroides. |
| Fatorização de matrizes | ML.WEIGHTS |
Obtém os pesos de todos os fatores latentes. Representam as duas matrizes decompostas, a matriz de utilizadores e a matriz de artigos. | |
| PCA | ML.PRINCIPAL_COMPONENTS |
Obtém os coeficientes das caraterísticas para todos os componentes principais, também conhecidos como vetores próprios. | |
ML.PRINCIPAL_COMPONENT_INFO |
Recupera as estatísticas de cada componente principal, como o valor próprio. | ||
| Modelos de intervalos temporais | ARIMA_PLUS | ML.ARIMA_COEFFICIENTS |
Obtém os coeficientes do modelo ARIMA, que é usado para modelar o componente de tendência da série cronológica de entrada. Para informações sobre outros componentes, como padrões sazonais presentes na série cronológica, use ML.ARIMA_EVALUATE. |
O BigQuery ML não suporta funções de ponderação de modelos para os seguintes tipos de modelos:
Para ver os pesos de todos estes tipos de modelos, exceto os modelos do AutoML Tables, exporte o modelo do BigQuery ML para o Cloud Storage. Em seguida, pode usar a biblioteca XGBoost para visualizar a estrutura de árvore para modelos de árvores melhoradas e florestas aleatórias, ou a biblioteca TensorFlow para visualizar a estrutura de gráfico para modelos de DNN e wide-and-deep. Não existe nenhum método para obter informações sobre a ponderação dos modelos do AutoML Tables.
Para mais informações sobre a exportação de um modelo, consulte a declaração EXPORT MODEL e o artigo
Exporte um modelo do BigQuery ML para a previsão online.
O que se segue?
Para mais informações sobre as funções e as declarações SQL suportadas para modelos de ML, consulte o artigo Percursos do utilizador completos para modelos de ML.