表格型資料總覽

Vertex AI 可讓您透過簡單的程序和介面，使用表格資料執行機器學習。您可以為表格資料問題建立下列模型類型：

  • 「二元分類」模型可預測二元成果 (兩個類別之一)。這個模型類型可用於是非題。舉例來說，您可能想建構二元分類模型，預測客戶是否會購買訂閱。一般來說，二元分類問題需要的資料量少於其他模型類型。
  • 「多元分類」模型可由三個以上的分離類別預測一種類別。請使用這個模型類型進行分類。舉例來說，零售商可能會想建構多元分類模型，將客戶區分為不同人物角色。
  • 「迴歸」模型可預測連續值。舉例來說，如果您是零售商，可能會想建構迴歸模型，預測客戶下個月的消費金額。
  • 預測模型可預測一連串值。舉例來說，身為零售商，您可能會想預測未來 3 個月的產品每日需求，以便提前適當地備妥產品庫存。

如要瞭解如何使用表格資料進行機器學習，請參閱「表格資料簡介」。如要進一步瞭解 Vertex AI 解決方案，請參閱「用於分類和迴歸的 Vertex AI 解決方案」和「用於預測的 Vertex AI 解決方案」。

公平性注意事項

Google 致力遵循負責任的 AI 做法。為此，我們設計 AutoML 等 ML 產品時，會以「公平性」和「以人為本的機器學習」等核心原則為依歸。如要進一步瞭解建構自有 ML 系統時，如何減輕偏見的最佳做法，請參閱包容性機器學習指南 - AutoML。

分類和迴歸的 Vertex AI 解決方案

Vertex AI 提供下列分類和迴歸解決方案：

端對端 AutoML 的資料表工作流程

端對端 AutoML 的 Tabular 工作流程是用於分類和迴歸工作的完整 AutoML 管道。這項功能與 AutoML API 類似，但可讓您選擇要控制和自動執行的項目。您可以為管道中的每個步驟設定控制項，而非為整個管道設定控制項。管道控制項包括：

  • 資料分割
  • 特徵工程
  • 架構搜尋
  • 模型訓練
  • 模型集成
  • 模型精煉

優點

  • 支援大型資料集，大小為數 TB，最多可包含 1000 個欄。
  • 您可以限制架構類型的搜尋空間或略過架構搜尋，提高穩定性並縮短訓練時間。
  • 您可以手動選取用於訓練和架構搜尋的硬體，提升訓練速度。
  • 可讓您透過蒸餾或變更集合大小，縮減模型大小並改善延遲時間。
  • 您可以在強大的管道圖表介面中檢查每個 AutoML 元件，查看轉換後的資料表、評估的模型架構，以及更多詳細資料。
  • 每個 AutoML 元件都享有更高的彈性和透明度，例如可自訂參數、硬體、查看程序狀態和記錄等。

如要進一步瞭解 Tabular Workflows，請參閱「Vertex AI 中的 Tabular Workflows」。如要進一步瞭解端對端 AutoML 的 Tabular Workflow，請參閱「端對端 AutoML 的 Tabular Workflow」。

TabNet 適用的 Tabular Workflow

TabNet 適用的 Tabular Workflow 是用於訓練分類或迴歸模型的管道。TabNet 會運用順序注意力，選擇每個決策步驟要以哪些特徵進行推論。這麼做可提升解讀性，並提高學習效率，因為學習能力會用於最顯著的特徵。

優點

  • 根據資料集大小、推論類型和訓練預算，自動選取適當的超參數搜尋空間。
  • 已整合 Vertex AI。經過訓練的模型是 Vertex AI 模型。您可以立即執行批次推論，或部署模型以進行線上推論。
  • 提供內在的模型可解釋性。您可以深入瞭解 TabNet 用於做出決策的特徵。
  • 支援 GPU 訓練。

如要進一步瞭解 Tabular Workflows，請參閱「Vertex AI 中的 Tabular Workflows」。如要進一步瞭解 TabNet 適用的 Tabular Workflow，請參閱「TabNet 適用的 Tabular Workflow」。

廣度和深度學習適用的 Tabular Workflow

廣度和深度學習適用的 Tabular Workflow 是用來訓練分類或迴歸模型的管道。「廣度和深度」會一同訓練廣度線性模型和深層類神經網路，兼具記憶和一般化的能力。在某些線上實驗中，結果顯示與僅 wide 和僅 deep 模型相比，Wide & Deep 大幅提升了 Google 商店應用程式獲取次數。

優點

  • 已整合 Vertex AI。經過訓練的模型是 Vertex AI 模型。您可以立即執行批次推論，或部署模型以進行線上推論。

如要進一步瞭解 Tabular Workflows，請參閱「Vertex AI 中的 Tabular Workflows」。如要進一步瞭解廣度和深度學習適用的 Tabular Workflow，請參閱「廣度和深度學習適用的 Tabular Workflow」。

使用 AutoML 進行分類和迴歸

Vertex AI 提供整合式全代管管道，可用於端對端分類或迴歸工作。Vertex AI 會搜尋最佳超參數組合，並使用多組超參數訓練多個模型，然後從一組頂尖模型中建立單一最終模型。Vertex AI 會考量神經網路和提升樹狀圖的模型類型。

優點

  • 操作簡單：系統會為您選擇模型類型、模型參數和硬體。

詳情請參閱「分類和迴歸總覽」。

Vertex AI 預測解決方案

Vertex AI 提供下列預測解決方案：

預測的表格工作流程

預測的「表格工作流程」是預測工作完整的管道。這項工具與 AutoML API 類似，但可讓您選擇要控制和自動化的項目。您可以為管道中的每個步驟設定控制項，而非為整個管道設定控制項。管道控制項包括：

  • 資料分割
  • 特徵工程
  • 架構搜尋
  • 模型訓練
  • 模型集成

優點

  • 支援大型資料集，大小上限為 1 TB，最多可包含 200 個欄。
  • 您可以限制架構類型的搜尋空間或略過架構搜尋，提高穩定性並縮短訓練時間。
  • 您可以手動選取用於訓練和架構搜尋的硬體，提升訓練速度。
  • 您可以變更集合大小，縮減模型大小並改善延遲時間。
  • 您可以在強大的管道圖表介面中檢查每個元件，查看轉換後的資料表、評估的模型架構，以及更多詳細資料。
  • 每個元件都會享有更高的彈性和透明度，例如能夠自訂參數、硬體、查看程序狀態和記錄等。

如要進一步瞭解 Tabular Workflows，請參閱「Vertex AI 中的 Tabular Workflows」。如要進一步瞭解預測的「表格工作流程」，請參閱「預測的『表格工作流程』」一文。

使用 AutoML 進行預測

Vertex AI 提供整合式全代管管道，可用於端對端預測工作。Vertex AI 會搜尋最佳超參數組合，使用多組超參數訓練多個模型，然後從多個頂尖模型的集合中建立單一最終模型。您可以選擇時序稠密編碼器 (TiDE)、時序融合轉換器 (TFT)、AutoML (L2L) 和 Seq2Seq+ 做為模型訓練方法。Vertex AI 只會將神經網路視為模型類型。

優點

  • 使用簡單：系統會為您選擇模型參數和硬體。

詳情請參閱「預測總覽」。

使用 BigQuery ML ARIMA_PLUS 進行預測

BigQuery ML ARIMA_PLUS 是一種單變量預測模型。由於統計模型的訓練速度比以類神經網路為基礎的模型快，如果您需要快速執行多次模型訓練，或是需要以低成本基準來評估其他模型，建議您訓練 BigQuery ML ARIMA_PLUS 模型。

與 Prophet 一樣，BigQuery ML ARIMA_PLUS 會嘗試將每個時間序列分解為趨勢、季節和節日，並使用這些模型推論的匯總資料產生預測結果。不過，兩者之間有許多差異，其中之一是 BQML ARIMA+ 會使用 ARIMA 模擬趨勢元件，而 Prophet 會嘗試使用區塊邏輯或線性模型擬合曲線。

Google Cloud 提供管道，可訓練 BigQuery ML ARIMA_PLUS 模型，以及從 BigQuery ML ARIMA_PLUS 模型取得批次推論的管道。這兩個管道都是 Google Cloud 管道元件 (GCPC) 中的 Vertex AI 管道例項。

優點

  • 使用簡單：系統會為您選擇模型參數和硬體。
  • 快速：模型訓練可提供低成本基準，用於比較其他模型。

詳情請參閱「使用 ARIMA+ 進行預測」。

使用 Prophet 進行預測

Prophet 是 Meta 維護的預測模型。如要瞭解演算法的詳細資訊，請參閱 Prophet 論文；如要進一步瞭解程式庫，請參閱說明文件。

與 BigQuery ML ARIMA_PLUS 一樣，Prophet 會嘗試將每個時間序列分解為趨勢、季節和節日，並使用這些模型推論的匯總資料產生預測結果。不過，兩者有一個重要的差異，那就是 BQML ARIMA+ 會使用 ARIMA 模擬趨勢元件，而 Prophet 會嘗試使用區塊邏輯或線性模型擬合曲線。

Google Cloud 提供訓練 Prophet 模型的管道，以及從 Prophet 模型取得批次推論的管道。這兩個管道都是 Google Cloud 管道元件 (GCPC) 中的 Vertex AI 管道例項。

將 Prophet 與 Vertex AI 整合後，您可以執行以下操作：

雖然 Prophet 是多變量模型，但 Vertex AI 只支援單變量版本。

優點

  • 彈性：您可以選用用於訓練的硬體，提升訓練速度

詳情請參閱「使用 Prophet 進行預測」。

後續步驟