Percorsi utente end-to-end per i modelli ML

Questo documento descrive i percorsi 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)
  • Wide & Deep
  • Alberi potenziati
  • Foresta casuale
  • AutoML

• Modelli di apprendimento non supervisionato:

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

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

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 del modello	Tipo di modello	Creazione del modello	Pre-elaborazione delle caratteristiche	Ottimizzazione degli iperparametri^1	Pesi del modello	Informazioni su funzionalità e formazione	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	Utilizza la regressione lineare per prevedere il peso dei pinguini Esegui 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/A^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/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
	Alberi potenziati	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/A^2	ML.FEATURE _INFO ML.TRAINING _INFO	Eseguire la classificazione con un modello boosted tree
	Random forest	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/A^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/A^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 i cluster nei dati delle stazioni di biciclette
	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/A^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 di utilizzo dell'ottimizzazione degli iperparametri, consulta Migliorare le prestazioni del modello con l'ottimizzazione degli iperparametri.

²BigQuery 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, consulta EXPORT MODEL e 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 del modello	Tipo di modello	Valutazione	Inferenza	Spiegazione dell'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	N/D	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	N/D	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	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
	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
	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 si applica solo ai modelli di classificazione.

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

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

⁴Per comprendere la differenza tra ML.GLOBAL_EXPLAIN e ML.FEATURE_IMPORTANCE, consulta la panoramica sull'AI spiegabile.

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