Google verwendet KI-Technologie, um Inhalte in Ihre bevorzugte Sprache zu übersetzen. KI-Übersetzungen können Fehler enthalten.

End-to-End-Nutzerpfade für ML-Modelle

In diesem Dokument werden die Nutzerpfade für Modelle für maschinelles Lernen (ML) beschrieben, die in BigQuery ML trainiert wurden. Außerdem werden die Anweisungen und Funktionen aufgeführt, die Sie zum Arbeiten mit ML-Modellen verwenden können. BigQuery ML bietet die folgenden Arten von ML-Modellen:

Modelle für beaufsichtigtes Lernen:
Modelle für unbeaufsichtigtes Lernen:
Modelle, die nur Transformationen ausführen: Diese Modelle sind keine typischen ML-Modelle, sondern Artefakte, die Rohdaten in Features umwandeln.

Nutzerpfade für die Modellerstellung

In der folgenden Tabelle werden die Anweisungen und Funktionen beschrieben, die Sie zum Erstellen und Optimieren von Modellen verwenden können:

Modellkategorie	Modelltyp	Modellerstellung	Vorverarbeitung von Features	Hyperparameter-Abstimmung¹	Modellgewichtungen	Funktions- und Trainingsinformationen	Tutorials
Beaufsichtigtes Lernen	Lineare und logistische Regression	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Lineare Regression zur Vorhersage des Gewichts von Pinguinen verwenden Klassifizierung mit einem logistischen Regressionsmodell durchführen
	Neuronale Deep-Learning-Netzwerke (DNN)	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	Wide-and-Deep-Netzwerke	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	Gesteigerte Strukturen	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Klassifizierung mit einem Modell für gesteigerte Strukturen durchführen
	Random Forest	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	AutoML-Klassifizierung und -Regression	`CREATE MODEL`	AutoML führt automatisch Feature Engineering durch.	AutoML führt automatisch eine Hyperparameter-Abstimmung durch.	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
Unbeaufsichtigtes Lernen	K-means	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	`ML.CENTROIDS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Cluster in Daten von Fahrradstationen finden
	Matrixfaktorisierung	`CREATE MODEL`	–	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Filmvorschläge mit explizitem Feedback generieren Inhaltsempfehlungen mit implizitem Feedback generieren
	Analyse der Hauptkomponenten (PCA)	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	–	`ML.PRINCIPAL _COMPONENTS` `ML.PRINCIPAL _COMPONENT _INFO`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
	Autoencoder	`CREATE MODEL`	Automatische Vorverarbeitung Manuelle Vorverarbeitung	Hyperparameter-Abstimmung `ML.TRIAL _INFO`	–²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	–
Nur Transformation	Nur Transformation	`CREATE MODEL`	Manuelle Vorverarbeitung	–	–	`ML.FEATURE _INFO`	–

¹ Ein detailliertes Beispiel zur Verwendung der Hyperparameter-Abstimmung finden Sie unter Modellleistung mit Hyperparameter-Abstimmung verbessern.

² BigQuery ML bietet keine Funktion zum Abrufen der Gewichtungen für dieses Modell. Um die Gewichtungen des Modells zu sehen, können Sie das Modell aus BigQuery ML in Cloud Storage exportieren und dann mit der XGBoost-Bibliothek oder der TensorFlow-Bibliothek die Baumstruktur für Baummodelle oder die Grafikstruktur für neuronale Netzwerke visualisieren. Weitere Informationen finden Sie unter EXPORT MODEL und BigQuery ML-Modell für Onlinevorhersagen exportieren.

Nutzerpfade für die Modellnutzung

In der folgenden Tabelle werden die Anweisungen und Funktionen beschrieben, die Sie zum Bewerten und Erklären von Modellen sowie zum Abrufen von Vorhersagen aus Modellen verwenden können:

Modellkategorie	Modelltyp	Evaluierung	Inferenz	KI-Erklärung	Modellmonitoring
Beaufsichtigtes Lernen	Lineare und logistische Regression	`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`
	Neuronale Deep-Learning-Netzwerke (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`
	Wide-and-Deep-Netzwerke	`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`
	Gesteigerte Strukturen	`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`
	Random Forest	`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`
	AutoML-Klassifizierung und -Regression	`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`
Unbeaufsichtigtes Lernen	K-means	`ML.EVALUATE`	`ML.PREDICT` `ML.DETECT _ANOMALIES` `ML.TRANSFORM`	–	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
	Matrixfaktorisierung	`ML.EVALUATE`	`ML.RECOMMEND` `AI.GENERATE _EMBEDDING`	–	–
	Analyse der Hauptkomponenten (PCA)	`ML.EVALUATE`	`ML.PREDICT` `AI.GENERATE _EMBEDDING` `ML.DETECT _ANOMALIES` `ML.TRANSFORM`	–	`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`	–	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
Nur Transformation	Nur Transformation	–	`ML.TRANSFORM`	–	–

¹ ML.CONFUSION_MATRIX gilt nur für Klassifizierungsmodelle.

²ML.ROC_CURVE gilt nur für binäre Klassifizierungsmodelle.

³ Die ML.EXPLAIN_PREDICT Funktion umfasst die ML.PREDICT Funktion, da ihre Ausgabe eine Obermenge der Ergebnisse von ML.PREDICT ist.

⁴Informationen zu den Unterschieden zwischen ML.GLOBAL_EXPLAIN und ML.FEATURE_IMPORTANCE finden Sie unter Explainable AI – Übersicht.

⁵ Die Funktion ML.ADVANCED_WEIGHTS umfasst die ML.WEIGHTS Funktion, da ihre Ausgabe eine Obermenge der Ergebnisse von ML.WEIGHTS ist.