Visão geral dos pesos do modelo do BigQuery ML

Neste documento, descrevemos como o BigQuery ML é compatível com a detecção de pesos de modelo para modelos de machine learning (ML).

Um modelo de ML é um artefato salvo após a execução de um algoritmo de ML em dados de treinamento. O modelo representa as regras, números e qualquer outra estrutura de dados específica de algoritmo necessária para fazer previsões. Veja alguns exemplos:

  • Um modelo de regressão linear é composto por um vetor de coeficientes que têm valores específicos.
  • Um modelo de árvore de decisão é composto por uma ou mais árvores de instruções “if-then” com valores específicos.
  • Um modelo de rede neural profunda é composto por uma estrutura de gráfico com vetores ou matrizes de pesos que têm valores específicos.

No BigQuery ML, o termo pesos de modelo é usado para descrever os componentes que compõem um modelo.

Para informações sobre as funções e instruções SQL compatíveis com cada tipo de modelo, consulte Jornada do usuário completa de cada modelo.

Ofertas de pesos de modelo no BigQuery ML

O BigQuery ML oferece várias funções que podem ser usadas para recuperar os pesos de modelos diferentes.

Categoria do modelo Tipos de modelos Funções de pesos do modelo O que a função faz
Modelos supervisionados Regressão linear e logística ML.WEIGHTS Recupera os coeficientes do recurso e a interceptação.
Modelos não supervisionados Kmeans ML.CENTROIDS Recupera os coeficientes do recurso para todos os centroides.
Fatoração de matrizes ML.WEIGHTS Recupera os pesos de todos os fatores latentes. Eles representam as duas matrizes decompostas, a matriz do usuário e a matriz de itens.
PCA ML.PRINCIPAL_COMPONENTS Recupera os coeficientes do recurso de todos os componentes principais, também conhecidos como vetores independentes.
ML.PRINCIPAL_COMPONENT_INFO Recupera as estatísticas de cada componente principal, como eigenvalue.
Modelos de série temporal ARIMA_PLUS ML.ARIMA_COEFFICIENTS Recupera os coeficientes do modelo ARIMA, usados para modelar o componente de tendência da série temporal de entrada. Para informações sobre outros componentes, como padrões sazonais presentes na série temporal, use ML.ARIMA_EVALUATE.

O BigQuery ML não oferece suporte a funções de peso de modelo para os tipos de modelos a seguir:

Para ver os pesos de todos esses tipos de modelo, exceto os do AutoML Tables, exporte o modelo do BigQuery ML para o Cloud Storage. É possível usar a biblioteca XGBoost para ver a estrutura de árvore para modelos de árvore otimizada e floresta aleatória ou a biblioteca do TensorFlow para visualizar a estrutura de gráficos de DNN e modelos de amplitude e profundidade. Não há um método para receber informações de peso de modelos para modelos do AutoML Tables.

Para mais informações sobre como exportar um modelo, consulte a instrução EXPORT MODEL e Exportar um modelo do BigQuery ML para previsão on-line.