O Google usa tecnologia de IA na tradução de conteúdos para seu idioma de preferência. As traduções com IA podem ter erros.

Jornadas completas do usuário 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:

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

Jornadas do usuário de criação de modelos

A tabela a seguir descreve as instruções e funções que podem ser usadas 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 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`	Realizar a classificação com um modelo de árvores aprimoradas
	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 a engenharia de atributos automaticamente	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 em dados de estações de ciclismo
	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 o peso do modelo, exporte-o do BigQuery ML para o Cloud Storage e use a biblioteca XGBoost ou o 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 de modelos

A tabela a seguir descreve as instruções e funções que podem ser usadas para avaliar, explicar e receber previsões de modelos:

Categoria do modelo	Tipo de modelo	Avaliação	Inferência	AI Explanations	Monitoramento de modelos
Aprendizado supervisionado	Regressão linear e logística	`ML.EVALUATE` `ML.CONFUSION _MATRIX`¹ `ML.ROC_CURVE`²	`ML.PREDICT` `ML.TRANSFORM`	`ML.EXPLAIN_PREDICT`³ `ML.GLOBAL_EXPLAIN` `ML.ADVANCED_WEIGHTS`⁵	`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 _MATRIX`¹ `ML.ROC_CURVE`²	`ML.PREDICT` `ML.TRANSFORM`	`ML.EXPLAIN_PREDICT`³ `ML.GLOBAL_EXPLAIN` `ML.ADVANCED_WEIGHTS`⁵	`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 _MATRIX`¹ `ML.ROC_CURVE`²	`ML.PREDICT` `ML.TRANSFORM`	`ML.EXPLAIN_PREDICT`³ `ML.GLOBAL_EXPLAIN` `ML.ADVANCED_WEIGHTS`⁵	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
	Árvores aprimoradas	`ML.EVALUATE` `ML.CONFUSION _MATRIX`¹ `ML.ROC_CURVE`²	`ML.PREDICT` `ML.TRANSFORM`	`ML.EXPLAIN_PREDICT`³ `ML.GLOBAL_EXPLAIN` `ML.FEATURE_IMPORTANCE`⁴	`ML.DESCRIBE_DATA` `ML.VALIDATE_DATA _DRIFT` `ML.VALIDATE_DATA _SKEW` `ML.TFDV_DESCRIBE` `ML.TFDV_VALIDATE`
	Floresta aleatória	`ML.EVALUATE` `ML.CONFUSION _MATRIX`¹ `ML.ROC_CURVE`²	`ML.PREDICT` `ML.TRANSFORM`	`ML.EXPLAIN_PREDICT`³ `ML.GLOBAL_EXPLAIN` `ML.FEATURE_IMPORTANCE`⁴	`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 _MATRIX`¹ `ML.ROC_CURVE`²	`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` `AI.GENERATE _EMBEDDING`	N/A	N/A
	Análise de componentes principais (PCA, na sigla em inglês)	`ML.EVALUATE`	`ML.PREDICT` `AI.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` `AI.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 ML.PREDICT função, 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 IA explicável.

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