Tabellarische Daten – Übersicht

Mit der Agent Platform können Sie maschinelles Lernen mit tabellarischen Daten über einfache Prozesse und Schnittstellen durchführen. Sie können die folgenden Modelltypen für Ihre tabellarischen Datenprobleme erstellen:

  • Binärklassifizierungsmodelle sagen ein binäres Ergebnis vorher (eine von zwei Klassen). Verwenden Sie diesen Modelltyp für Ja- oder Nein-Fragen. Beispiel: Sie können ein binäres Klassifizierungsmodell erstellen, um vorherzusagen, ob ein Kunde ein Abo erwerben würde. Im Allgemeinen erfordert ein binäres Klassifizierungsproblem weniger Daten als andere Modelltypen.
  • Klassifizierungsmodelle mit mehreren Klassen sagen eine Klasse aus drei oder mehr gesonderten Klassen vorher. Verwenden Sie diesen Modelltyp für die Kategorisierung. Beispiel: Als Einzelhändler möchten Sie ein Klassifizierungsmodell mit mehreren Klassen erstellen, um Kunden in verschiedene Personen zu unterteilen.
  • Regressionsmodelle sagen einen kontinuierlichen Wert voraus. Beispiel: Als Einzelhändler möchten Sie ein Regressionsmodell erstellen, um vorherzusagen, wie viel ein Kunde im nächsten Monat ausgeben wird.
  • Prognosemodelle sagen eine Folge von Werten vorher. Beispiel: Als Einzelhändler möchten Sie die tägliche Nachfrage Ihrer Produkte für die nächsten drei Monate prognostizieren, damit Sie Inventarbestände im Voraus rechtzeitig planen können.

Eine Einführung in das maschinelle Lernen mit tabellarischen Daten finden Sie unter Einführung in tabellarische Daten. Weitere Informationen zu Agent Platform-Lösungen finden Sie unter Agent Platform-Lösungen für Klassifizierung und Regression und Agent Platform-Lösungen für Prognosen.

Hinweis zur Fairness

Google setzt auf den Fortschritt bei der Einhaltung der Best Practices für eine verantwortungsbewusste Anwendung von KI . Unsere ML-Produkte einschließlich AutoML basieren deshalb auf Kern prinzipien wie Fairness und menschzentriertem maschinellem Lernen. Weitere Informationen zu Best Practices für die Minderung von Verzerrungen beim Erstellen eines eigenen ML-Systems finden Sie in der Anleitung zu inklusivem ML – AutoML.

Agent Platform-Lösungen für Klassifizierung und Regression

Die Agent Platform bietet die folgenden Lösungen für Klassifizierung und Regression:

Tabellarischer Workflow für End-to-End-AutoML

Tabellarischer Workflow für End-to-End-AutoML ist eine vollständige AutoML-Pipeline für Klassifizierungs- und Regressionsaufgaben. Sie ähnelt der AutoML API, Sie können jedoch auswählen, was Sie steuern möchten und was automatisiert werden soll. Statt Steuerelemente für die gesamte Pipeline haben Sie Steuerelemente für jeden Schritt in der Pipeline. Folgende Steuerelemente der Pipeline sind verfügbar:

  • Datenaufteilung
  • Feature Engineering
  • Architektursuche
  • Modelltraining
  • Modellsortierung
  • Modelldestillation

Vorteile

  • Unterstützt große Datasets mit mehreren TB und bis zu 1.000 Spalten.
  • Ermöglicht die Verbesserung der Stabilität und niedrigere Trainingszeit, indem der Suchbereich der Architekturtypen begrenzt wird oder die Architektursuche übersprungen wird.
  • Ermöglicht die Verbesserung der Trainingsgeschwindigkeit durch manuelle Auswahl der Hardware für das Training und die Architektursuche.
  • Ermöglicht die Reduzierung der Modellgröße und die Verbesserung der Latenz mit der Destillation oder durch Ändern der Ensemblegröße.
  • Jede AutoML-Komponente kann in einer leistungsstarken Benutzeroberfläche für Pipelinediagramme überprüft werden, auf der Sie die transformierten Datentabellen, bewerteten Modellarchitekturen und viele weitere Details sehen können.
  • AutoML-Komponenten bieten erweiterte Flexibilität und Transparenz. So können Sie beispielsweise Parameter anpassen, Hardware auswählen, den Prozessstatus und Logs aufrufen und vieles mehr.

Weitere Informationen zu tabellarischen Workflows finden Sie unter Tabellarische Workflows auf der Agent Platform. Weitere Informationen zum tabellarischen Workflow für End-to-End-AutoML finden Sie unter Tabellarischer Workflow für End-to-End-AutoML.

Klassifizierung und Regression mit AutoML

Die Agent Platform bietet integrierte, vollständig verwaltete Pipelines für End-to-End-Klassifizierungs- oder Regressionsaufgaben. Die Agent Platform sucht nach dem optimalen Satz von Hyperparametern, trainiert mehrere Modelle mit mehreren Sätzen von Hyperparametern und erstellt dann ein einzelnes endgültiges Modell aus einem Ensemble der besten Modelle. Die Agent Platform berücksichtigt neuronale Netzwerke und Boosted Trees für die Modelltypen.

Vorteile

  • Nutzerfreundliche Anwendung: Die Agent Platform wählt den Modelltyp, die Modellparameter und die Hardware für Sie aus.

Weitere Informationen finden Sie unter Übersicht über Klassifizierung und Regression.

Agent Platform-Lösungen für Prognosen

Die Agent Platform bietet die folgenden Lösungen für Prognosen:

Tabellarischer Workflow für Prognosen

Der tabellarische Workflow für Prognosen ist die vollständige Pipeline für Prognoseaufgaben. Sie ähnelt der AutoML API, Sie können jedoch auswählen, was Sie steuern möchten und was automatisiert werden soll. Statt Steuerelemente für die gesamte Pipeline haben Sie Steuerelemente für jeden Schritt in der Pipeline. Folgende Steuerelemente der Pipeline sind verfügbar:

  • Datenaufteilung
  • Feature Engineering
  • Architektursuche
  • Modelltraining
  • Modellsortierung

Vorteile

  • Unterstützt große Datasets mit bis zu 1 TB und bis zu 200 Spalten.
  • Ermöglicht die Verbesserung der Stabilität und niedrigere Trainingszeit , indem der Suchbereich der Architekturtypen begrenzt wird oder die Architektursuche übersprungen wird.
  • Ermöglicht die Verbesserung der Trainingsgeschwindigkeit durch manuelle Auswahl der Hardware für das Training und die Architektursuche.
  • Ermöglicht die Reduzierung der Modellgröße und die Verbesserung der Latenz durch Ändern der Ensemblegröße.
  • Jede Komponente kann in einer leistungsstarken Benutzeroberfläche für Pipelinediagramme überprüft werden, auf der Sie die transformierten Datentabellen, bewerteten Modellarchitekturen und viele weitere Details sehen können.
  • Alle Komponenten bieten erweiterte Flexibilität und Transparenz. So können Sie beispielsweise Parameter anpassen, Hardware auswählen, den Prozessstatus und Logs aufrufen und vieles mehr.

Weitere Informationen zu tabellarischen Workflows finden Sie unter Tabellarische Workflows auf der Agent Platform. Weitere Informationen zum tabellarischen Workflow für Prognosen finden Sie unter Tabellarischer Workflow für Prognosen.

Prognosen mit AutoML

Die Agent Platform bietet eine integrierte, vollständig verwaltete Pipeline für End-to-End-Prognoseaufgaben. Die Agent Platform sucht nach dem optimalen Satz von Hyperparametern, trainiert mehrere Modelle mit mehreren Sätzen von Hyperparametern und erstellt dann ein einzelnes endgültiges Modell aus einem Ensemble der besten Modelle. Sie können zwischen Zeitreihen-Dense-Encoder (TiDE), Temporal Fusion Transformer (TFT), AutoML (L2L), und Seq2Seq+ für Ihre Modelltrainingsmethode wählen. Die Agent Platform berücksichtigt nur neuronale Netzwerke für den Modelltyp.

Vorteile

  • Nutzerfreundliche Anwendung: Die Agent Platform wählt die Modellparameter und die Hardware für Sie aus.

Weitere Informationen finden Sie unter Übersicht über Prognosen.

Prognosen mit BigQuery ML ARIMA_PLUS

BigQuery ML ARIMA_PLUS ist ein univariates Prognosemodell. Als statistisches Modell ist es schneller zu trainieren als ein Modell, das auf neuronalen Netzwerken basiert. Wir empfehlen, ein BigQuery ML ARIMA_PLUS-Modell zu trainieren, wenn Sie viele schnelle Iterationen der Modellschulung durchführen müssen oder wenn Sie eine kostengünstige Referenz benötigen, an der Sie andere Modelle messen können.

Wie Prophet, versucht BigQuery ML ARIMA_PLUS, jede Zeitreihe in Trends, Jahreszeiten und Feiertage zu unterteilen, um aus der Aggregation der Vorhersagen dieser Modelle eine Prognose zu erstellen. Einer der vielen Unterschiede besteht darin, dass BQML ARIMA+ die Trendkomponente mit ARIMA modelliert, während Prophet versucht, eine Kurve in einem abschnittsweise logistischen oder linearen Modell anzupassen.

Google Cloud bietet eine Pipeline zum Trainieren eines BigQuery ML ARIMA_PLUS-Modells und eine Pipeline zum Abrufen von Batchvorhersagen aus einem BigQuery ML ARIMA_PLUS-Modell. Beide Pipelines sind Instanzen von Vertex AI Pipelines aus den Google Cloud Pipeline-Komponenten (GCPC).

Vorteile

  • Nutzerfreundliche Anwendung: BigQuery wählt die Modellparameter und die Hardware für Sie aus.
  • Schnell: Das Modelltraining bietet eine kostengünstige Referenz zum Vergleich anderer Modelle.

Weitere Informationen finden Sie unter Prognosen mit ARIMA+ erstellen.

Prognosen mit Prophet

Prophet ist ein von Meta verwaltetes Prognosemodell. Weitere Informationen zu Algorithmen finden Sie im Prophet-Artikel . In der Dokumentation finden Sie weitere Informationen zur Bibliothek.

Wie BigQuery ML ARIMA_PLUS, versucht Prophet, jede Zeitreihe in Trends, Jahreszeiten und Feiertage zu unterteilen, um aus der Aggregation der Vorhersagen dieser Modelle eine Prognose zu erstellen. Ein wichtiger Unterschied ist, dass BQML ARIMA+ die Trendkomponente mit ARIMA modelliert, während Prophet versucht, eine Kurve in einem abschnittsweise logistischen oder linearen Modell anzupassen.

Google Cloud bietet eine Pipeline zum Trainieren eines Prophet-Modells und eine Pipeline zum Abrufen von Batchvorhersagen aus einem Prophet-Modell. Beide Pipelines sind Instanzen von Vertex AI Pipelines aus den Google Cloud Pipeline-Komponenten (GCPC).

Die Einbindung von Prophet in die Agent Platform bedeutet, dass Sie Folgendes tun können:

  • Sie können die Datenaufteilung und Windowing-Strategien der Agent Platform nutzen.
  • Sie können Daten aus BigQuery-Tabellen oder CSV-Dateien lesen, die in Cloud Storage gespeichert sind. Die Agent Platform erwartet, dass jede Zeile das gleiche Format hat wie Agent Platform Forecasting.

Obwohl Prophet ein multivariates Modell ist, unterstützt die Agent Platform nur eine univariate Version.

Vorteile

  • Flexibel: Sie können die Trainingsgeschwindigkeit verbessern, indem Sie die für das Training verwendete Hardware auswählen.

Weitere Informationen finden Sie unter Prognosen mit Prophet erstellen.

Nächste Schritte