התאמת מודל ARIMA_PLUS של סדרת זמנים חד-משתנית למיליוני סדרות זמנים

במדריך הזה תלמדו איך להאיץ באופן משמעותי את האימון של קבוצת מודלים של סדרות זמנים עם משתנה יחיד ב-ARIMA_PLUS, כדי לבצע כמה תחזיות של סדרות זמנים באמצעות שאילתה אחת. בנוסף, נסביר איך להעריך את רמת הדיוק של התחזיות.

במדריך הזה נחזה כמה סדרות זמנים. ערכי התחזית מחושבים לכל נקודת זמן, לכל ערך בעמודה אחת או יותר שצוינו. לדוגמה, אם רוצים לחזות את מזג האוויר ומציינים עמודה שמכילה נתונים של ערים, הנתונים החזויים יכילו תחזיות לכל נקודות הזמן של עיר א', ואז ערכים חזויים לכל נקודות הזמן של עיר ב' וכן הלאה.

במדריך הזה משתמשים בנתונים מהטבלאות הציבוריות bigquery-public-data.new_york.citibike_trips ו-iowa_liquor_sales.sales. הנתונים של נסיעות באופניים מכילים רק כמה מאות סדרות זמנים, ולכן הם משמשים להמחשת אסטרטגיות שונות להאצת אימון המודל. בנתוני המכירות של המשקאות החריפים יש יותר ממיליון סדרות זמנים, ולכן הם משמשים להצגת חיזוי של סדרות זמנים בקנה מידה נרחב.

לפני שתקראו את המדריך הזה, כדאי לקרוא את המאמרים חיזוי של כמה סדרות זמנים באמצעות מודל חד-משתני ושיטות מומלצות לחיזוי של סדרות זמנים בקנה מידה גדול.

מטרות

במדריך הזה תשתמשו בכלים הבאים:

• יצירת מודל של סדרת זמנים באמצעות ההצהרה CREATE MODEL.
• הערכת הדיוק של המודל באמצעות הפונקציה ML.EVALUATE.
• שימוש באפשרויות AUTO_ARIMA_MAX_ORDER,‏ TIME_SERIES_LENGTH_FRACTION,‏ MIN_TIME_SERIES_LENGTH ו-MAX_TIME_SERIES_LENGTH של ההצהרה CREATE MODEL כדי לצמצם משמעותית את זמן אימון המודל.

כדי לפשט את המדריך, לא נסביר איך להשתמש בפונקציות ML.FORECAST או ML.EXPLAIN_FORECAST ליצירת תחזיות. במאמר חיזוי של כמה סדרות זמנים באמצעות מודל חד-משתני מוסבר איך להשתמש בפונקציות האלה.

עלויות

במדריך הזה משתמשים ברכיבים של Google Cloud, והשימוש בהם כרוך בתשלום, כולל:

• BigQuery
• BigQuery ML

למידע נוסף על העלויות, קראו את הדף תמחור ב-BigQuery ואת הדף תמחור ב-BigQuery ML.

לפני שמתחילים

1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Roles required to select or create a project

   • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
   • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.
   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

2. Verify that billing is enabled for your Google Cloud project.

3. ‫BigQuery מופעל באופן אוטומטי בפרויקטים חדשים. כדי להפעיל את BigQuery בפרויקט קיים, עוברים אל

   מפעילים את BigQuery API, אם הוא עדיין לא מופעל.

   התפקידים שנדרשים כדי להפעיל ממשקי API

   כדי להפעיל ממשקי API, צריך את ההרשאה serviceusage.services.enable. אם אתם יצרתם את הפרויקט, סביר להניח שכבר יש לכם את ההרשאה הזו דרך התפקיד "בעלים" (roles/owner). אחרת, אתם יכולים לקבל את ההרשאה הזו דרך התפקיד "אדמין בממשק 'שימוש בשירות'" (roles/serviceusage.serviceUsageAdmin). איך מקצים תפקידים?

   להפעלת ה-API

ההרשאות הנדרשות

• כדי ליצור את קבוצת הנתונים, אתם צריכים את ההרשאה bigquery.datasets.create ב-IAM.

• כדי ליצור את המודל, צריך את ההרשאות הבאות:

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData

• כדי להריץ הסקה, צריך את ההרשאות הבאות:

  • bigquery.models.getData
  • bigquery.jobs.create

במאמר מבוא ל-IAM תוכלו לקרוא מידע נוסף על התפקידים וההרשאות של IAM ב-BigQuery.

יצירת קבוצת נתונים

כדי ליצור מערך נתונים ב-BigQuery, בוחרים אחת מהאפשרויות הבאות:

המסוף

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בחלונית הימנית, לוחצים על Explorer:

   

   אם החלונית הימנית לא מוצגת, לוחצים על Expand left pane כדי לפתוח אותה.

3. ב-Explorer, מרחיבים את הפרויקט ולוחצים על Datasets.

4. בדף Datasets, לוחצים על Create dataset.

5. בחלונית Create dataset:

   • בשדה Dataset ID, מזינים bqml_tutorial.

   • בקטע Data location (מיקום הנתונים), בוחרים באפשרות US (ארה"ב).

   משאירים את שאר הגדרות ברירת המחדל כמו שהן.

6. לוחצים על Create dataset.

BQ

כדי ליצור קבוצת נתונים חדשה, משתמשים בפקודה bq mk --dataset.

1. יוצרים מערך נתונים בשם bqml_tutorial ומגדירים את מיקום הנתונים ל-US:

   bq mk --dataset \
     --location=US \
     --description "BigQuery ML tutorial dataset." \
     bqml_tutorial

2. מוודאים שמערך הנתונים נוצר:

   bq ls

API

מפעילים את השיטה datasets.insert עם משאב של מערך נתונים מוגדר:

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

יצירת טבלה של נתוני קלט

ההצהרה SELECT של השאילתה הבאה משתמשת בפונקציה EXTRACT כדי לחלץ את פרטי התאריך מהעמודה starttime. השאילתה משתמשת בסעיף COUNT(*) כדי לקבל את המספר הכולל של נסיעות Citi Bike ביום.

ב-table_1 יש 679 סדרות זמנים. השאילתה משתמשת בלוגיקה נוספת של INNER JOIN כדי לבחור את כל הסדרות העתיות שיש בהן יותר מ-400 נקודות זמן, וכתוצאה מכך מתקבלות 383 סדרות עתיות.

כדי ליצור את טבלת נתוני הקלט:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE TABLE
     `bqml_tutorial.nyc_citibike_time_series` AS
   WITH input_time_series AS
   (
     SELECT
       start_station_name,
       EXTRACT(DATE FROM starttime) AS date,
       COUNT(*) AS num_trips
     FROM
       `bigquery-public-data.new_york.citibike_trips`
     GROUP BY
       start_station_name, date
   )
   SELECT table_1.*
   FROM input_time_series AS table_1
   INNER JOIN (
     SELECT start_station_name,  COUNT(*) AS num_points
     FROM input_time_series
     GROUP BY start_station_name) table_2
   ON
     table_1.start_station_name = table_2.start_station_name
   WHERE
     num_points > 400;

יצירת מודל לכמה סדרות זמנים עם פרמטרים שמוגדרים כברירת מחדל

אתם רוצים לחזות את מספר הנסיעות באופניים לכל תחנת Citi Bike, וזה דורש הרבה מודלים של סדרות זמנים – אחד לכל תחנת Citi Bike שנכללת בנתוני הקלט. אפשר לכתוב כמה שאילתות CREATE MODEL כדי לעשות את זה, אבל זה יכול להיות תהליך מייגע וגוזל זמן, במיוחד כשיש מספר גדול של סדרות זמנים. במקום זאת, אתם יכולים להשתמש בשאילתה אחת כדי ליצור ולהתאים קבוצה של מודלים של סדרות זמנים, וכך לחזות כמה סדרות זמנים בבת אחת.

הסעיף OPTIONS(model_type='ARIMA_PLUS', time_series_timestamp_col='date', ...) מציין שאתם יוצרים קבוצה של מודלים של סדרות עתיות שמבוססים על ARIMA, ARIMA_PLUS. האפשרות time_series_timestamp_col מציינת את העמודה שמכילה את סדרת הזמנים, האפשרות time_series_data_col מציינת את העמודה שעבורה רוצים ליצור תחזית, והאפשרות time_series_id_col מציינת מאפיין אחד או יותר שעבורם רוצים ליצור סדרות זמנים.

בדוגמה הזו, נקודות הזמן בסדרה העיתית שאחרי 1 ביוני 2016 לא נכללות, כדי שאפשר יהיה להשתמש בהן בהמשך להערכת דיוק החיזוי באמצעות הפונקציה ML.EVALUATE.

כדי ליצור את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_default`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
     time_series_timestamp_col = 'date',
     time_series_data_col = 'num_trips',
     time_series_id_col = 'start_station_name'
     ) AS
   SELECT *
   FROM bqml_tutorial.nyc_citibike_time_series
   WHERE date < '2016-06-01';

   השלמת השאילתה נמשכת כ-15 דקות.

הערכת הדיוק של התחזית לכל סדרה עיתית

מעריכים את דיוק החיזוי של המודל באמצעות הפונקציה ML.EVALUATE.

כדי להעריך את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT *
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_default`,
     TABLE `bqml_tutorial.nyc_citibike_time_series`,
     STRUCT(7 AS horizon, TRUE AS perform_aggregation));

   השאילתה הזו מדווחת על כמה מדדי חיזוי, כולל:

   התוצאות אמורות להיראות כך:

   הסעיף TABLE בפונקציה ML.EVALUATE מזהה טבלה שמכילה את נתוני אמת הקרקע (ground truth). כדי לחשב את מדדי הדיוק, המערכת משווה בין תוצאות התחזית לבין נתוני אמת הקרקע (ground truth). במקרה הזה, nyc_citibike_time_series מכיל גם את הנקודות בסדרת הזמן שלפני 1 ביוני 2016 וגם את אלה שאחרי התאריך הזה. הנקודות אחרי 1 ביוני 2016 הן נתוני אמת הקרקע (ground truth). הנקודות שלפני 1 ביוני 2016 משמשות לאימון המודל כדי ליצור תחזיות אחרי התאריך הזה. כדי לחשב את המדדים, צריך רק את הנקודות שאחרי 1 ביוני 2016. הנקודות מלפני 1 ביוני 2016 לא נכללות בחישוב המדדים.

   הסעיף STRUCT בפונקציה ML.EVALUATE ציין פרמטרים לפונקציה. הערך של horizon הוא 7, כלומר השאילתה מחשבת את דיוק החיזוי על סמך חיזוי של שבע נקודות. שימו לב שאם בנתוני אמת הקרקע (ground truth) יש פחות מ-7 נקודות להשוואה, מדדי הדיוק מחושבים על סמך הנקודות הזמינות בלבד. הערך של perform_aggregation הוא TRUE, כלומר מדדי הדיוק של החיזוי נצברים על פני המדדים על בסיס נקודת הזמן. אם מציינים ערך perform_aggregation של FALSE, דיוק החיזוי מוחזר לכל נקודת זמן חזויה.

   למידע נוסף על עמודות הפלט, ראו הפונקציה ML.EVALUATE.

הערכת הדיוק הכולל של התחזיות

העריכו את דיוק החיזוי של כל 383 סדרות הזמנים.

מבין מדדי החיזוי שמוחזרים על ידי ML.EVALUATE, רק אחוז השגיאה המוחלט הממוצע ואחוז השגיאה המוחלט הממוצע הסימטרי לא תלויים בערך של סדרת הזמן. לכן, כדי להעריך את דיוק החיזוי הכולל של קבוצת סדרות הזמנים, רק הצבירה של שני המדדים האלה היא משמעותית.

כדי להעריך את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT
     AVG(mean_absolute_percentage_error) AS MAPE,
     AVG(symmetric_mean_absolute_percentage_error) AS sMAPE
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_default`,
       TABLE `bqml_tutorial.nyc_citibike_time_series`,
       STRUCT(7 AS horizon, TRUE AS perform_aggregation));

השאילתה הזו מחזירה ערך 0.3471 בשדה MAPE וערך 0.2563 בשדה sMAPE.

יצירת מודל לחיזוי של כמה סדרות זמנים עם מרחב חיפוש קטן יותר של היפר-פרמטרים

בקטע יצירת מודל לכמה סדרות זמנים עם פרמטרים שמוגדרים כברירת מחדל, השתמשתם בערכי ברירת המחדל של כל אפשרויות האימון, כולל האפשרות auto_arima_max_order. האפשרות הזו קובעת את מרחב החיפוש לכוונון היפר-פרמטרים באלגוריתם auto.ARIMA.

במודל שנוצר על ידי השאילתה הבאה, אתם משתמשים במרחב חיפוש קטן יותר להיפר-פרמטרים על ידי שינוי ערך האפשרות auto_arima_max_order מברירת המחדל של 5 ל-2.

כדי להעריך את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
     time_series_timestamp_col = 'date',
     time_series_data_col = 'num_trips',
     time_series_id_col = 'start_station_name',
     auto_arima_max_order = 2
     ) AS
   SELECT *
   FROM `bqml_tutorial.nyc_citibike_time_series`
   WHERE date < '2016-06-01';

   השלמת השאילתה נמשכת כ-2 דקות. זכרו שלמודל הקודם נדרשו כ-15 דקות כדי להשלים את הפעולה כשערך auto_arima_max_order היה 5, כך שהשינוי הזה משפר את מהירות אימון המודל פי 7 בערך. אם אתם תוהים למה מהירות העיבוד לא גדלה פי 5/2=2.5x, זה בגלל שכשהערך של auto_arima_max_order גדל, לא רק מספר המודלים המועמדים גדל, אלא גם המורכבות. כתוצאה מכך, זמן האימון של המודל מתארך.

הערכת הדיוק של תחזיות במודל עם מרחב חיפוש קטן יותר של היפר-פרמטרים

כדי להעריך את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT
     AVG(mean_absolute_percentage_error) AS MAPE,
     AVG(symmetric_mean_absolute_percentage_error) AS sMAPE
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2`,
       TABLE `bqml_tutorial.nyc_citibike_time_series`,
       STRUCT(7 AS horizon, TRUE AS perform_aggregation));

השאילתה הזו מחזירה ערך 0.3337 בשדה MAPE וערך 0.2337 בשדה sMAPE.

בקטע הערכת הדיוק הכולל של החיזוי, הערכתם מודל עם מרחב חיפוש גדול יותר של היפר-פרמטרים, שבו הערך של האפשרות auto_arima_max_order הוא 5. התוצאה הייתה ערך MAPE של 0.3471 וערך sMAPE של 0.2563. במקרה הזה, אפשר לראות שמרחב חיפוש קטן יותר של היפר-פרמטרים נותן דיוק גבוה יותר בחיזוי. אחת מהסיבות לכך היא שהאלגוריתם auto.ARIMA מבצע כוונון של היפר-פרמטרים רק למודול המגמה של כל צינור עיבוד הנתונים של המודל. יכול להיות שמודל ARIMA הטוב ביותר שנבחר על ידי האלגוריתם auto.ARIMA לא יפיק את תוצאות החיזוי הטובות ביותר לכל צינור עיבוד הנתונים.

יצירת מודל לחיזוי של כמה סדרות זמנים עם מרחב חיפוש קטן יותר של היפר-פרמטרים ואסטרטגיות חכמות לאימון מהיר

בשלב הזה, אתם משתמשים גם במרחב חיפוש קטן יותר של היפר-פרמטרים וגם באסטרטגיית אימון מהירה וחכמה, באמצעות אחת או יותר מאפשרויות האימון max_time_series_length, ‏ max_time_series_length או time_series_length_fraction.

כדי ליצור מודלים תקופתיים, כמו עונתיות, נדרש מספר מסוים של נקודות זמן, אבל כדי ליצור מודלים של מגמות נדרשות פחות נקודות זמן. בנוסף, מידול מגמות דורש הרבה יותר משאבי מחשוב מאשר רכיבים אחרים של סדרת זמנים, כמו עונתיות. באמצעות אפשרויות האימון המהיר שלמעלה, אתם יכולים ליצור מודל יעיל של רכיב המגמה עם קבוצת משנה של סדרת הזמנים, בזמן שרכיבי סדרת הזמנים האחרים משתמשים בכל סדרת הזמנים.

בדוגמה הבאה השתמשנו באפשרות max_time_series_length כדי לבצע אימון מהיר. אם מגדירים את הערך של האפשרות max_time_series_length כ-30, רק 30 נקודות הזמן האחרונות משמשות ליצירת מודל של רכיב המגמה. כל 383 הסדרות העיתיות עדיין משמשות ליצירת מודלים של הרכיבים שאינם מגמה.

כדי ליצור את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2_fast_training`
   OPTIONS
     (model_type = 'ARIMA_PLUS',
     time_series_timestamp_col = 'date',
     time_series_data_col = 'num_trips',
     time_series_id_col = 'start_station_name',
     auto_arima_max_order = 2,
     max_time_series_length = 30
     ) AS
   SELECT *
   FROM `bqml_tutorial.nyc_citibike_time_series`
   WHERE date < '2016-06-01';

   השלמת השאילתה נמשכת כ-35 שניות. השאילתה הזו מהירה פי 3 בהשוואה לשאילתה שבה השתמשתם בקטע יצירת מודל לחיזוי של כמה סדרות זמנים עם מרחב חיפוש קטן יותר של היפר-פרמטרים. בגלל התקורה הקבועה של הזמן בחלק של השאילתה שלא קשור לאימון, כמו עיבוד מוקדם של נתונים, העלייה במהירות גבוהה בהרבה כשמספר סדרות הזמנים גדול בהרבה מאשר בדוגמה הזו. במיליון סדרות זמנים, מהירות החיפוש מתקרבת ליחס בין אורך הסדרה לבין הערך של האפשרות max_time_series_length. במקרה כזה, מהירות העיבוד גדלה פי יותר מ-10.

הערכת הדיוק של תחזיות במודל עם מרחב חיפוש קטן יותר של היפר-פרמטרים ואסטרטגיות חכמות לאימון מהיר

כדי להעריך את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   SELECT
     AVG(mean_absolute_percentage_error) AS MAPE,
     AVG(symmetric_mean_absolute_percentage_error) AS sMAPE
   FROM
     ML.EVALUATE(MODEL `bqml_tutorial.nyc_citibike_arima_model_max_order_2_fast_training`,
       TABLE `bqml_tutorial.nyc_citibike_time_series`,
       STRUCT(7 AS horizon, TRUE AS perform_aggregation));

השאילתה הזו מחזירה את הערך 0.3515 בשדה MAPE ואת הערך 0.2473 בשדה sMAPE.

חשוב לזכור שבלי להשתמש באסטרטגיות אימון מהירות, תוצאות הדיוק של החיזוי הן ערך MAPE של 0.3337 וערך sMAPE של 0.2337. ההבדל בין שתי קבוצות הערכים של המדדים הוא בטווח של 3%, וזה לא משמעותי מבחינה סטטיסטית.

בקיצור, השתמשתם במרחב חיפוש קטן יותר של היפר-פרמטרים ובאסטרטגיות חכמות לאימון מהיר כדי לאמן את המודל מהר יותר פי 20, בלי לפגוע בדיוק החיזוי. כמו שציינו קודם, ככל שיש יותר סדרות זמן, כך שיטות האימון המהיר והחכם יכולות לשפר את המהירות באופן משמעותי יותר. בנוסף, ספריית ARIMA הבסיסית שמשמשת את המודלים של ARIMA_PLUS עברה אופטימיזציה כדי לפעול במהירות גבוהה פי 5 מבעבר. השיפורים האלה מאפשרים לחזות מיליוני סדרות זמנים תוך שעות.

יצירת מודל לחיזוי של מיליון סדרות זמנים

בשלב הזה, אתם חוזים את המכירות של יותר ממיליון מוצרי משקאות חריפים בחנויות שונות באמצעות הנתונים הציבוריים של מכירות משקאות חריפים באיווה. אימון המודל משתמש במרחב חיפוש קטן של היפר-פרמטרים ובאסטרטגיית אימון מהירה וחכמה.

כדי להעריך את המודל:

1. נכנסים לדף BigQuery במסוף Google Cloud .

   כניסה ל-BigQuery

2. בעורך השאילתות, מדביקים את השאילתה הבאה ולוחצים על Run:

   CREATE OR REPLACE MODEL
     `bqml_tutorial.liquor_forecast_by_product`
   OPTIONS(
     MODEL_TYPE = 'ARIMA_PLUS',
     TIME_SERIES_TIMESTAMP_COL = 'date',
     TIME_SERIES_DATA_COL = 'total_bottles_sold',
     TIME_SERIES_ID_COL = ['store_number', 'item_description'],
     HOLIDAY_REGION = 'US',
     AUTO_ARIMA_MAX_ORDER = 2,
     MAX_TIME_SERIES_LENGTH = 30
   ) AS
   SELECT
     store_number,
     item_description,
     date,
     SUM(bottles_sold) as total_bottles_sold
   FROM
     `bigquery-public-data.iowa_liquor_sales.sales`
   WHERE date BETWEEN DATE("2015-01-01") AND DATE("2021-12-31")
   GROUP BY store_number, item_description, date;

   השלמת השאילתה נמשכת כשעה ו-16 דקות.

הסרת המשאבים

כדי להימנע מחיובים בחשבון Google Cloud בגלל השימוש במשאבים שנעשה במסגרת המדריך הזה, אפשר למחוק את הפרויקט שמכיל את המשאבים, או להשאיר את הפרויקט ולמחוק את המשאבים הנפרדים.

• אתם יכולים למחוק את הפרויקט שיצרתם.
• אפשר גם להשאיר את הפרויקט ולמחוק את מערך הנתונים.

מחיקת מערך הנתונים

מחיקת הפרויקט תסיר את כל מערכי הנתונים ואת כל הטבלאות בפרויקט. אם אתם מעדיפים להשתמש שוב בפרויקט, אתם יכולים למחוק את קבוצת הנתונים שיצרתם במדריך הזה:

1. אם צריך, פותחים את הדף של BigQuery במסוףGoogle Cloud .

   כניסה לדף BigQuery

2. בניווט, לוחצים על מערך הנתונים bqml_tutorial שיצרתם.

3. לוחצים על Delete dataset כדי למחוק את מערך הנתונים, הטבלה וכל הנתונים.

4. בתיבת הדו-שיח Delete dataset, מאשרים את פקודת המחיקה על ידי הקלדת שם מערך הנתונים (bqml_tutorial) ולוחצים על Delete.

מחיקת הפרויקט

כדי למחוק את הפרויקט:

זהירות: כשמוחקים פרויקט:

• התוכן של הפרויקט נמחק כולו. אם השתמשתם בפרויקט קיים כדי לתרגל את המשימות במדריך הזה, כשתמחקו אותו תימחק גם כל העבודה שביצעתם באותו פרויקט.
• מאבדים את מזהה הפרויקט בהתאמה אישית. כשיצרתם את הפרויקט, יכולתם לבחור לו מזהה פרויקט בהתאמה אישית כדי להשתמש בו בעתיד. כדי לשמור על כתובות ה-URL שמשתמשות במזהה הפרויקט, כמו appspot.com, צריך למחוק את המשאבים שנבחרו בפרויקט אבל לא את הפרויקט כולו.

אם אתם מתכננים להיעזר בכמה ארכיטקטורות, מדריכים או מדריכים למתחילים, מומלץ להשתמש שוב באותו פרויקט כדי לא לחרוג ממכסות הפרויקטים.

1. במסוף Google Cloud , נכנסים לדף Manage resources.

   כניסה לדף Manage resources

2. ברשימת הפרויקטים, בוחרים את הפרויקט שרוצים למחוק ולוחצים על Delete.
3. כדי למחוק את הפרויקט, כותבים את מזהה הפרויקט בתיבת הדו-שיח ולוחצים על Shut down.

המאמרים הבאים

• איך יוצרים תחזית של סדרת זמנים אחת באמצעות מודל חד-משתני
• איך יוצרים תחזית של סדרת זמנים אחת באמצעות מודל רב-משתני
• איך יוצרים תחזית של כמה סדרות זמנים באמצעות מודל חד-משתני
• איך יוצרים תחזית היררכית של כמה סדרות זמנים באמצעות מודל חד-משתני
• לסקירה כללית על BigQuery ML, קראו את המאמר מבוא ל-AI ול-ML ב-BigQuery.