Percorsi utente end-to-end per 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
  • Modelli boosted tree
  • 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 funzionalità	Ottimizzazione degli iperparametri1	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/A2	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/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/D
	Modelli boosted tree	CREATE MODEL	Pre-elaborazione automatica Pre-elaborazione manuale	Ottimizzazione degli iperparametri ML.TRIAL _INFO	N/A2	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/A2	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/A2	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/A2	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

¹Per 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 la libreria 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 ed 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 _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
	Reti neurali profonde (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
	Reti Wide and Deep	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
	Modelli boosted tree	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
	Random forest	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
	Classificazione e regressione 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
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 ML.GENERATE _EMBEDDING	N/D	N/D
	Analisi delle componenti principali (PCA)	ML.EVALUATE	ML.PREDICT ML.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 ML.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 include 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 di Explainable AI.

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