Esta página se ha traducido con Cloud Translation API.

Recorridos de usuario integrales para modelos de aprendizaje automático

En este documento se describen los flujos de trabajo de los modelos de aprendizaje automático (ML) que se entrenan en BigQuery ML, incluidas las instrucciones y funciones que puede usar para trabajar con modelos de ML. BigQuery ML ofrece los siguientes tipos de modelos de aprendizaje automático:

Modelos de aprendizaje supervisado:
Modelos de aprendizaje no supervisado:
Modelos solo de transformación: los modelos solo de transformación no son modelos de aprendizaje automático típicos, sino artefactos que transforman datos en bruto en funciones.

Recorridos de usuario de creación de modelos

En la siguiente tabla se describen las instrucciones y funciones que puedes usar para crear y ajustar modelos:

Categoría de modelo	Tipo de modelo	Creación de modelos	Preprocesamiento de funciones	Ajuste de hiperparámetros¹	Pesos del modelo	Información sobre funciones y formación	Tutoriales
Aprendizaje supervisado	Regresión lineal y logística	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Usar la regresión lineal para predecir el peso de los pingüinos Clasificar con un modelo de regresión logística
	Redes neuronales profundas (DNN)	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Redes Wide & Deep	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Árboles de potenciación	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Clasificar con un modelo de árbol de decisión potenciado
	Bosque aleatorio	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Clasificación y regresión de AutoML	`CREATE MODEL`	AutoML realiza automáticamente la ingeniería de características	AutoML realiza automáticamente el ajuste de hiperparámetros	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
Aprendizaje no supervisado	K‑medias	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	`ML.CENTROIDS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Encontrar clústeres en los datos de las estaciones de bicicletas
	Factorización de matriz	`CREATE MODEL`	N/A	Ajuste de hiperparámetros `ML.TRIAL _INFO`	`ML.WEIGHTS`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	Generar recomendaciones de películas a partir de comentarios explícitos Generar recomendaciones de contenido a partir de comentarios implícitos
	Análisis de componentes principales (ACP)	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	N/A	`ML.PRINCIPAL _COMPONENTS` `ML.PRINCIPAL _COMPONENT _INFO`	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
	Autocodificador	`CREATE MODEL`	Preprocesamiento automático Preprocesamiento manual	Ajuste de hiperparámetros `ML.TRIAL _INFO`	N/A²	`ML.FEATURE _INFO` `ML.TRAINING _INFO`	N/A
Solo transformación	Solo transformación	`CREATE MODEL`	Preprocesado manual	N/A	N/A	`ML.FEATURE _INFO`	N/A

¹Para ver un ejemplo detallado de cómo usar el ajuste de hiperparámetros, consulta el artículo Mejora el rendimiento de los modelos con el ajuste de hiperparámetros.

²BigQuery ML no ofrece una función para obtener los pesos de este modelo. Para ver los pesos del modelo, puedes exportarlo de BigQuery ML a Cloud Storage y, a continuación, usar la biblioteca XGBoost o la biblioteca TensorFlow para visualizar la estructura de árbol de los modelos de árbol o la estructura de grafo de las redes neuronales. Para obtener más información, consulta EXPORT MODEL y Exportar un modelo de BigQuery ML para hacer predicciones online.

Modelar recorridos de usuario

En la siguiente tabla se describen las instrucciones y funciones que puede usar para evaluar, explicar y obtener predicciones de los modelos:

Categoría de modelo	Tipo de modelo	Evaluación	Inferencia	Explicación de la IA	Monitorización de modelos
Aprendizaje supervisado	Regresión lineal y logística	`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`
	Redes neuronales profundas (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`
	Redes Wide & Deep	`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`
	Árboles de potenciación	`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`
	Bosque aleatorio	`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`
	Clasificación y regresión de 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`
Aprendizaje no supervisado	K‑medias	`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`
	Factorización de matriz	`ML.EVALUATE`	`ML.RECOMMEND` `ML.GENERATE _EMBEDDING`	N/A	N/A
	Análisis de componentes principales (ACP)	`ML.EVALUATE`	`ML.PREDICT` `ML.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`
	Autocodificador	`ML.EVALUATE`	`ML.PREDICT` `ML.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`
Solo transformación	Solo transformación	N/A	`ML.TRANSFORM`	N/A	N/A

¹ML.CONFUSION_MATRIX solo se aplica a los modelos de clasificación.

²ML.ROC_CURVE solo se aplica a los modelos de clasificación binaria.

³ La función ML.EXPLAIN_PREDICT abarca la función ML.PREDICT porque su resultado es un superconjunto de los resultados de ML.PREDICT.

⁴Para entender la diferencia entre ML.GLOBAL_EXPLAIN y ML.FEATURE_IMPORTANCE, consulta la descripción general de la IA explicable.

⁵ La función ML.ADVANCED_WEIGHTS abarca la función ML.WEIGHTS porque su resultado es un superconjunto de los resultados de ML.WEIGHTS.