Percorsi end-to-end dell'utente per i modelli ML

Questo documento descrive i percorsi dell'utente per i modelli di machine learning (ML) addestrati in BigQuery ML, incluse le istruzioni e le funzioni che puoi utilizzare per lavorare con i modelli ML. BigQuery ML offre i seguenti tipi di modelli ML:

• Modelli di apprendimento supervisionato:

  • Regressione lineare e logistica
  • Rete neurale profonda (DNN)
  • Ampio e profondo
  • Modelli boosted tree
  • Foresta casuale
  • AutoML

• Modelli di apprendimento non supervisionato:

  • Clustering K-means
  • Fattorizzazione matriciale
  • Autoencoder
  • Analisi delle componenti principali (PCA)

• Modelli di sola trasformazione: i modelli di sola trasformazione non sono modelli ML tipici, ma artefatti che trasformano i dati non elaborati in caratteristiche.

Percorsi dell'utente per la creazione di modelli

La tabella seguente descrive le istruzioni e le funzioni che puoi utilizzare per creare e ottimizzare i modelli:

Categoria di modello	Tipo di modello	Creazione del modello	Pre-elaborazione delle caratteristiche	Ottimizzazione degli iperparametri^1	Pesi del modello	Informazioni sulle caratteristiche e sull'addestramento	Tutorial
Apprendimento supervisionato	Regressione lineare e logistica	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Utilizzare la regressione lineare per prevedere il peso dei pinguini Eseguire la classificazione con un modello di regressione logistica
	Reti neurali profonde (DNN)	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/D^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
	Reti Wide and Deep	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/D^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
	Modelli boosted tree	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/D^2	ML.FEATURE _INFO ML.TRAINING _INFO	Eseguire la classificazione con un modello boosted tree
	Foresta casuale	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/D^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
	Classificazione e regressione AutoML	CREATE MODEL	AutoML esegue automaticamente il feature engineering	AutoML esegue automaticamente l'ottimizzazione degli iperparametri	N/D^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
Apprendimento non supervisionato	K-means	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	ML.CENTROIDS	ML.FEATURE _INFO ML.TRAINING _INFO	Trovare cluster nei dati delle stazioni di bike sharing
	Fattorizzazione matriciale	CREATE MODEL	N/D	Ottimizzazione degli iperparametri ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Generare consigli sui film utilizzando il feedback esplicito Generare consigli sui contenuti utilizzando il feedback implicito
	Analisi delle componenti principali (PCA)	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	N/D	ML.PRINCIPAL _COMPONENTS ML.PRINCIPAL _COMPONENT _INFO	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
	Autoencoder	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/D^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
Solo trasformazione	Solo trasformazione	CREATE MODEL	Pre-elaborazione manuale	N/D	N/D	ML.FEATURE _INFO	N/D

¹ Per un esempio passo passo dell'utilizzo dell'ottimizzazione degli iperparametri, vedi Migliorare le prestazioni del modello con l'ottimizzazione degli iperparametri.

² BigQuery ML non offre una funzione per recuperare i pesi per questo modello. Per visualizzare i pesi del modello, puoi esportarlo da BigQuery ML a Cloud Storage e poi utilizzare la libreria XGBoost o TensorFlow per visualizzare la struttura ad albero per i modelli ad albero o la struttura a grafo per le reti neurali. Per ulteriori informazioni, vedi EXPORT MODEL ed Esportare un modello BigQuery ML per la previsione online.

Percorsi dell'utente per l'utilizzo dei modelli

La tabella seguente descrive le istruzioni e le funzioni che puoi utilizzare per valutare, spiegare e ottenere previsioni dai modelli:

Categoria di modello	Tipo di modello	Valutazione	Inferenza	Spiegazione AI	Monitoraggio del modello
Apprendimento supervisionato	Regressione lineare e logistica	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Reti neurali profonde (DNN)	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Reti Wide and Deep	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS^5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Modelli boosted tree	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE^4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Foresta casuale	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT^3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE^4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Classificazione e regressione AutoML	ML.EVALUATE ML.CONFUSION _MATRIX^1 ML.ROC_CURVE^2	ML.PREDICT	ML.GLOBAL_EXPLAIN	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
Apprendimento non supervisionato	K-means	ML.EVALUATE	ML.PREDICT ML.DETECT _ANOMALIES ML.TRANSFORM	N/D	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Fattorizzazione matriciale	ML.EVALUATE	ML.RECOMMEND AI.GENERATE _EMBEDDING	N/D	N/D
	Analisi delle componenti principali (PCA)	ML.EVALUATE	ML.PREDICT AI.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.TRANSFORM	N/D	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Autoencoder	ML.EVALUATE	ML.PREDICT AI.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.RECONSTRUCTION _LOSS ML.TRANSFORM	N/D	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
Solo trasformazione	Solo trasformazione	N/D	ML.TRANSFORM	N/D	N/D

¹ML.CONFUSION_MATRIX è applicabile solo ai modelli di classificazione.

²ML.ROC_CURVE è applicabile solo ai modelli di classificazione binaria.

³ La funzione ML.EXPLAIN_PREDICT comprende la ML.PREDICT funzione perché il suo output è un superset dei risultati di ML.PREDICT.

⁴ Per comprendere la differenza tra ML.GLOBAL_EXPLAIN e ML.FEATURE_IMPORTANCE, vedi la panoramica di AI spiegabile.

⁵La funzione ML.ADVANCED_WEIGHTS comprende la funzione ML.WEIGHTS perché il suo output è un superset dei risultati di ML.WEIGHTS.