Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Parcours utilisateur de bout en bout pour les modèles de ML

Ce document décrit les parcours utilisateur pour les modèles de machine learning (ML) entraînés dans BigQuery ML, y compris les instructions et les fonctions que vous pouvez utiliser pour travailler avec des modèles de ML. BigQuery ML propose les types de modèles de ML suivants :

Modèles d'apprentissage supervisé :
Modèles d'apprentissage non supervisé :
Modèles de transformation uniquement : les modèles de transformation uniquement ne sont pas des modèles de ML classiques, mais plutôt des artefacts qui transforment des données brutes en caractéristiques.

Parcours utilisateur de création de modèles

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser pour créer et régler des modèles :

Catégorie de modèle	Type de modèle	Création du modèle	Prétraiter des caractéristiques	Réglage des hyperparamètres¹	Pondérations de modèle	Informations sur les caractéristiques et l'entraînement	Tutoriels
Apprentissage supervisé	Régression linéaire et logistique	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Utiliser la régression linéaire pour prédire le poids des pingouins Effectuer une classification avec un modèle de régression logistique
	Réseaux de neurones profonds (DNN)	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Réseaux larges et profonds	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Arbres de décision à boosting	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Effectuer une classification avec un modèle d'arbres de décision à boosting
	Forêt d'arbres décisionnels	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Classification et régression AutoML	`CREATE MODEL`	AutoML effectue automatiquement l'extraction de caractéristiques	AutoML effectue automatiquement le réglage des hyperparamètres	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
Apprentissage non supervisé	K-moyennes	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	`ML.CENTROIDS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Rechercher des clusters dans les données des stations de vélos
	Factorisation matricielle	`CREATE MODEL`	N/A	Réglage des hyperparamètres `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Générer des recommandations de films à l'aide de commentaires explicites Générer des recommandations de contenu à l'aide de commentaires implicites
	Analyse des composants principaux (ACP)	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	N/A	`ML.PRINCIPAL _COMPONENTS` `ML.PRINCIPAL _COMPONENT _INFO`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Auto-encodeur	`CREATE MODEL`	Prétraitement automatique Prétraitement manuel	Réglage des hyperparamètres `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
Transformation uniquement	Transformation uniquement	`CREATE MODEL`	Prétraitement manuel	N/A	N/A	`ML.FEATURE _INFO`	N/A

¹ Pour obtenir un exemple pas à pas d'utilisation du réglage des hyperparamètres, consultez Améliorer les performances du modèle avec le réglage des hyperparamètres.

² BigQuery ML ne propose pas de fonction permettant de récupérer les pondérations de ce modèle. Pour voir les pondérations du modèle, vous pouvez l'exporter de BigQuery ML vers Cloud Storage, puis utiliser la bibliothèque XGBoost ou la bibliothèque TensorFlow pour visualiser la structure des arborescences des modèles en arbre ou la structure du graphique pour les réseaux de neurones. Pour en savoir plus, consultez EXPORT MODEL et Exporter un modèle BigQuery ML pour la prédiction en ligne.

Parcours utilisateur d'utilisation de modèles

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser pour évaluer, expliquer et obtenir des prédictions à partir de modèles :

Catégorie de modèle	Type de modèle	Évaluation	Inférence	AI Explanations	Surveillance des modèles
Apprentissage supervisé	Régression linéaire et logistique	`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`
	Réseaux de neurones profonds (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`
	Réseaux larges et profonds	`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`
	Arbres de décision à boosting	`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`
	Forêt d'arbres décisionnels	`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`
	Classification et régression 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`
Apprentissage non supervisé	K-moyennes	`ML.EVALUATE`	`ML.PREDICT` `ML.DETECT _ANOMALIES` `ML.TRANSFORM`	N/A	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
	Factorisation matricielle	`ML.EVALUATE`	`ML.RECOMMEND` `AI.GENERATE _EMBEDDING`	N/A	N/A
	Analyse des composants principaux (ACP)	`ML.EVALUATE`	`ML.PREDICT` `AI.GENERATE _EMBEDDING` `ML.DETECT _ANOMALIES` `ML.TRANSFORM`	N/A	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
	Auto-encodeur	`ML.EVALUATE`	`ML.PREDICT` `AI.GENERATE _EMBEDDING` `ML.DETECT _ANOMALIES` `ML.RECONSTRUCTION _LOSS` `ML.TRANSFORM`	N/A	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
Transformation uniquement	Transformation uniquement	N/A	`ML.TRANSFORM`	N/A	N/A

¹ ML.CONFUSION_MATRIX ne s'applique qu'aux modèles de classification.

²ML.ROC_CURVE ne s'applique qu'aux modèles de classification binaire.

³ La fonction ML.EXPLAIN_PREDICT englobe la ML.PREDICT fonction, car sa sortie est un sur-ensemble des résultats de ML.PREDICT.

⁴ Pour comprendre la différence entre ML.GLOBAL_EXPLAIN et ML.FEATURE_IMPORTANCE, consultez la présentation d'Explainable AI.

⁵ La fonction ML.ADVANCED_WEIGHTS englobe la ML.WEIGHTS fonction, car sa sortie est un sur-ensemble des résultats de ML.WEIGHTS.