ML モデルのエンドツーエンドのユーザー ジャーニー

このドキュメントでは、BigQuery ML でトレーニングされた ML モデルのユーザー ジャーニーについて説明します。これには、ML モデルの操作に使用できるステートメントと関数が含まれます。BigQuery ML には、次のタイプの ML モデルが用意されています。

• 教師あり学習モデル:

  • 線形回帰とロジスティック回帰
  • ディープ ニューラル ネットワーク（DNN）
  • ワイド＆ディープ
  • ブーストツリー
  • ランダム フォレスト
  • AutoML

• 教師なし学習モデル:

  • K 平均法クラスタリング
  • 行列分解
  • オートエンコーダ
  • 主成分分析（PCA）

• 変換専用モデル: 変換専用モデルは一般的な ML モデルではなく、元データを特徴に変換するアーティファクトです。

モデル作成のユーザー ジャーニー

次の表に、モデルの作成とチューニングに使用できるステートメントと関数を示します。

モデルカテゴリ	モデルタイプ	モデルの作成	特徴量の前処理	ハイパーパラメータ チューニング^1	モデルの重み付け	機能とトレーニングに関する情報	チュートリアル
教師あり学習	線形回帰とロジスティック回帰	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	線形回帰を使用してペンギンの体重を予測する ロジスティック回帰モデルを使用して分類を実行する
	ディープ ニューラル ネットワーク（DNN）	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	なし^2	ML.FEATURE _INFO ML.TRAINING _INFO	なし
	ワイド＆ディープ ネットワーク	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	なし^2	ML.FEATURE _INFO ML.TRAINING _INFO	なし
	ブーストされたツリー	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	なし^2	ML.FEATURE _INFO ML.TRAINING _INFO	ブーストツリー モデルで分類を行う
	ランダム フォレスト	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	なし^2	ML.FEATURE _INFO ML.TRAINING _INFO	なし
	AutoML の分類と回帰	CREATE MODEL	AutoML による特徴量エンジニアリングの自動実行	AutoML はハイパーパラメータ調整を自動的に実行します	なし^2	ML.FEATURE _INFO ML.TRAINING _INFO	なし
教師なし学習	K 平均法	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	ML.CENTROIDS	ML.FEATURE _INFO ML.TRAINING _INFO	自転車ステーションのデータでクラスタを見つける
	行列分解	CREATE MODEL	なし	ハイパーパラメータ チューニング ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	明示的なフィードバックを使用して映画のおすすめを生成する 暗黙的なフィードバックを使用してコンテンツのおすすめを生成する
	主要コンポーネントの分析（PCA）	CREATE MODEL	自動前処理 手動前処理	なし	ML.PRINCIPAL _COMPONENTS ML.PRINCIPAL _COMPONENT _INFO	ML.FEATURE _INFO ML.TRAINING _INFO	なし
	オートエンコーダ	CREATE MODEL	自動前処理 手動前処理	ハイパーパラメータ チューニング ML.TRIAL _INFO	なし^2	ML.FEATURE _INFO ML.TRAINING _INFO	なし
変換のみ	変換のみ	CREATE MODEL	手動前処理	なし	なし	ML.FEATURE _INFO	なし

¹ハイパーパラメータ チューニングの使用例については、ハイパーパラメータ チューニングでモデルのパフォーマンスを改善するをご覧ください。

²BigQuery ML には、このモデルの重みを取得する関数はありません。モデルの重みを確認するには、モデルを BigQuery ML から Cloud Storage にエクスポートし、XGBoost ライブラリまたは TensorFlow ライブラリを使用してツリーモデルのツリー構造やニューラル ネットワークのグラフ構造を可視化します。詳細については、EXPORT MODEL とオンライン予測の BigQuery ML モデルをエクスポートするをご覧ください。

モデルのユースケースのユーザー ジャーニー

次の表に、モデルの評価、説明、予測の取得に使用できるステートメントと関数を示します。

モデルカテゴリ	モデルタイプ	評価	推論	AI の説明	モデルのモニタリング
教師あり学習	線形回帰とロジスティック回帰	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
	ディープ ニューラル ネットワーク（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
	ワイド＆ディープ ネットワーク	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
	ブーストされたツリー	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
	ランダム フォレスト	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 の分類と回帰	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
教師なし学習	K 平均法	ML.EVALUATE	ML.PREDICT ML.DETECT _ANOMALIES ML.TRANSFORM	なし	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	行列分解	ML.EVALUATE	ML.RECOMMEND ML.GENERATE _EMBEDDING	なし	なし
	主要コンポーネントの分析（PCA）	ML.EVALUATE	ML.PREDICT ML.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.TRANSFORM	なし	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	オートエンコーダ	ML.EVALUATE	ML.PREDICT ML.GENERATE _EMBEDDING ML.DETECT _ANOMALIES ML.RECONSTRUCTION _LOSS ML.TRANSFORM	なし	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
変換のみ	変換のみ	なし	ML.TRANSFORM	なし	なし

¹ ML.CONFUSION_MATRIX は分類モデルにのみ適用されます。

²ML.ROC_CURVE は、バイナリ分類モデルにのみ適用されます。

³ML.EXPLAIN_PREDICT 関数の出力は ML.PREDICT の結果のスーパーセットであるため、ML.EXPLAIN_PREDICT 関数は ML.PREDICT 関数を包含します。

⁴ML.GLOBAL_EXPLAIN と ML.FEATURE_IMPORTANCE の違いについては、Explainable AI の概要をご覧ください。

⁵ML.ADVANCED_WEIGHTS 関数の出力は ML.WEIGHTS の結果のスーパーセットであるため、ML.ADVANCED_WEIGHTS 関数は ML.WEIGHTS 関数を包含します。