Recorridos del usuario de extremo a extremo para modelos de AA

En este documento, se describen los recorridos del usuario para los modelos de aprendizaje automático (AA) que se entrenan en BigQuery ML, incluidas las sentencias y las funciones que puedes usar para trabajar con modelos de AA. BigQuery ML ofrece los siguientes tipos de modelos de AA:

• Modelos de aprendizaje supervisado:

  • Regresión logística y lineal
  • Red neuronal profunda (DNN)
  • Algoritmo de amplitud y profundidad
  • Árboles con boosting
  • Bosque aleatorio
  • AutoML

• Modelos de aprendizaje no supervisado:

  • Agrupamiento en clústeres con k-means
  • factorización de matrices
  • Codificador automático
  • Análisis de componentes principales (PCA)

• Modelos solo de transformación: Los modelos solo de transformación no son modelos típicos de AA, sino artefactos que transforman datos sin procesar en atributos.

Recorridos del usuario para la creación de modelos

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

Categoría del modelo	Tipo de modelo	Creación de modelos	Procesamiento previo de atributos	Ajuste de hiperparámetros1	Pesos del modelo	Información de entrenamiento y atributo	Instructivos
Aprendizaje supervisado	Regresión lineal y logística	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	Ajuste de hiperparámetros ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Usa la regresión lineal para predecir el peso de los pingüinos Realiza una clasificación con un modelo de regresión logística
	Redes neuronales profundas (DNN)	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	Ajuste de hiperparámetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Redes profundas y amplias	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	Ajuste de hiperparámetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Árboles con boosting	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	Ajuste de hiperparámetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	Realiza una clasificación con un modelo de árboles potenciados
	Bosque aleatorio	CREATE MODEL	Procesamiento previo automático Procesamiento previo 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 atributos	AutoML realiza automáticamente el ajuste de hiperparámetros	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
Aprendizaje no supervisado	k-means	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	Ajuste de hiperparámetros ML.TRIAL _INFO	ML.CENTROIDS	ML.FEATURE _INFO ML.TRAINING _INFO	Cómo encontrar clústeres en los datos de estaciones de bicicletas
	factorización de matrices	CREATE MODEL	N/A	Ajuste de hiperparámetros ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Genera recomendaciones de películas a partir de comentarios explícitos Genera recomendaciones de contenido a partir de comentarios implícitos
	Análisis de componentes principales (PCA)	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	N/A	ML.PRINCIPAL _COMPONENTS ML.PRINCIPAL _COMPONENT _INFO	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Codificador automático	CREATE MODEL	Procesamiento previo automático Procesamiento previo manual	Ajuste de hiperparámetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
Solo de transformación	Solo de transformación	CREATE MODEL	Procesamiento previo manual	N/A	N/A	ML.FEATURE _INFO	N/A

¹Para ver un ejemplo paso a paso del uso del ajuste de hiperparámetros, consulta Mejora el rendimiento del modelo con el ajuste de hiperparámetros.

²BigQuery ML no ofrece una función para recuperar los pesos de este modelo. Para ver las ponderaciones del modelo, puedes exportarlo de BigQuery ML a Cloud Storage y, luego, usar la biblioteca XGBoost o la biblioteca de TensorFlow para visualizar la estructura de árbol de los modelos de árbol o la estructura del grafo en las redes neuronales. Para obtener más información, consulta EXPORT MODEL y Exporta un modelo de BigQuery ML para la predicción en línea.

Recorridos del usuario para el uso del modelo

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

Categoría del modelo	Tipo de modelo	Evaluación	Inferencia	AI Explanations	Supervisión de modelos
Aprendizaje supervisado	Regresión lineal y logística	ML.EVALUATE ML.CONFUSION _MATRIX1 ML.ROC_CURVE2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS5	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 _MATRIX1 ML.ROC_CURVE2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Redes profundas y amplias	ML.EVALUATE ML.CONFUSION _MATRIX1 ML.ROC_CURVE2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT3 ML.GLOBAL_EXPLAIN ML.ADVANCED_WEIGHTS5	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Árboles con boosting	ML.EVALUATE ML.CONFUSION _MATRIX1 ML.ROC_CURVE2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE4	ML.DESCRIBE_DATA ML.VALIDATE_DATA _DRIFT ML.VALIDATE_DATA _SKEW ML.TFDV_DESCRIBE ML.TFDV_VALIDATE
	Bosque aleatorio	ML.EVALUATE ML.CONFUSION _MATRIX1 ML.ROC_CURVE2	ML.PREDICT ML.TRANSFORM	ML.EXPLAIN_PREDICT3 ML.GLOBAL_EXPLAIN ML.FEATURE_IMPORTANCE4	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 _MATRIX1 ML.ROC_CURVE2	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-means	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 matrices	ML.EVALUATE	ML.RECOMMEND ML.GENERATE _EMBEDDING	N/A	N/A
	Análisis de componentes principales (PCA)	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
	Codificador automático	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 de transformación	Solo de 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.

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

⁴Para comprender la diferencia entre ML.GLOBAL_EXPLAIN y ML.FEATURE_IMPORTANCE, consulta la Descripción general de Explainable AI.

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