Jornadas do usuário completas para modelos de ML

Este documento descreve as jornadas do usuário para modelos de machine learning (ML) treinados no BigQuery ML, incluindo as instruções e funções que podem ser usadas para trabalhar com modelos de ML. O BigQuery ML oferece os seguintes tipos de modelos de ML:

• Modelos de aprendizado supervisionado:

  • Regressão linear e logística
  • Rede neural profunda (DNN)
  • Amplitude e profundidade
  • Árvores aprimoradas
  • Floresta aleatória
  • AutoML

• Modelos de aprendizado não supervisionado:

  • Clustering k-means
  • Fatoração de matrizes
  • Codificador automático
  • Análise de componentes principais (PCA)

• Modelos somente de transformação: esses modelos não são modelos de ML típicos, mas artefatos que transformam dados brutos em atributos.

Jornadas do usuário para criação de modelos

A tabela a seguir descreve as instruções e funções que você pode usar para criar e ajustar modelos:

Categoria do modelo	Tipo de modelo	Criação de modelos	Pré-processamento de recursos	Ajuste de hiperparâmetros1	Pesos do modelo	Informações de recurso e treinamento	Tutoriais
Aprendizado supervisionado	Regressão linear e logística	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Usar a regressão linear para prever o peso de pinguins Realizar a classificação com um modelo de regressão logística
	Redes neurais profundas (DNN)	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Redes amplas e profundas	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Árvores aprimoradas	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	Fazer classificação com um modelo de árvores otimizadas
	Floresta aleatória	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Classificação e regressão do AutoML	CREATE MODEL	O AutoML realiza automaticamente a engenharia de atributos	O AutoML realiza o ajuste de hiperparâmetros automaticamente	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
Aprendizado não supervisionado	K-means	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	ML.CENTROIDS	ML.FEATURE _INFO ML.TRAINING _INFO	Encontrar clusters nos dados de estações de bicicletas
	Fatoração de matrizes	CREATE MODEL	N/A	Ajuste de hiperparâmetros ML.TRIAL _INFO	ML.WEIGHTS	ML.FEATURE _INFO ML.TRAINING _INFO	Gerar recomendações de filmes usando feedback explícito Gerar recomendações de conteúdo usando feedback implícito
	Análise de componentes principais (PCA, na sigla em inglês)	CREATE MODEL	Pré-processamento automático Pré-processamento manual	N/A	ML.PRINCIPAL _COMPONENTS ML.PRINCIPAL _COMPONENT _INFO	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
	Codificador automático	CREATE MODEL	Pré-processamento automático Pré-processamento manual	Ajuste de hiperparâmetros ML.TRIAL _INFO	N/A2	ML.FEATURE _INFO ML.TRAINING _INFO	N/A
Somente de transformação	Somente de transformação	CREATE MODEL	Pré-processamento manual	N/A	N/A	ML.FEATURE _INFO	N/A

¹Para um exemplo detalhado de como usar o ajuste de hiperparâmetros, consulte Melhorar o desempenho do modelo com o ajuste de hiperparâmetros.

²O BigQuery ML não oferece uma função para recuperar os pesos desse modelo. Para conferir os pesos do modelo, exporte o modelo do BigQuery ML para o Cloud Storage e use a biblioteca XGBoost ou TensorFlow para visualizar a estrutura em árvore dos modelos de árvore ou a estrutura de gráfico das redes neurais. Para mais informações, consulte EXPORT MODEL e Exportar um modelo do BigQuery ML para previsão on-line.

Jornadas do usuário de uso do modelo

A tabela a seguir descreve as instruções e funções que você pode usar para avaliar, explicar e receber previsões dos modelos:

Categoria do modelo	Tipo de modelo	Avaliação	Inferência	AI Explanations	Monitoramento de modelos
Aprendizado supervisionado	Regressão linear e 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 neurais 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 amplas e profundas	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
	Árvores aprimoradas	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
	Floresta aleatória	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
	Classificação e regressão do 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
Aprendizado não supervisionado	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
	Fatoração de matrizes	ML.EVALUATE	ML.RECOMMEND ML.GENERATE _EMBEDDING	N/A	N/A
	Análise de componentes principais (PCA, na sigla em inglês)	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
Somente de transformação	Somente de transformação	N/A	ML.TRANSFORM	N/A	N/A

¹ML.CONFUSION_MATRIX é aplicável somente a modelos de classificação.

²ML.ROC_CURVE é aplicável somente a modelos de classificação binária.

³A função ML.EXPLAIN_PREDICT abrange a função ML.PREDICT porque a saída dela é um superconjunto dos resultados de ML.PREDICT.

⁴Para entender a diferença entre ML.GLOBAL_EXPLAIN e ML.FEATURE_IMPORTANCE, consulte a Visão geral da Explainable AI.

⁵A função ML.ADVANCED_WEIGHTS abrange a função ML.WEIGHTS porque a saída dela é um superconjunto dos resultados de ML.WEIGHTS.