סקירה כללית על משקלי המודלים ב-BigQuery ML
אתם יכולים לאחזר משקלי מודלים ב-BigQuery ML כדי לבדוק את הכללים, המספרים והרכיבים הספציפיים שכלולים במודלים המאומנים של למידת המכונה (ML). היכרות עם מבני הנתונים הפנימיים האלה מאפשרת לכם להבין ולבדוק את הלוגיקה המתמטית המדויקת שבה המודלים שלכם משתמשים כדי ליצור תחזיות.
מודל למידת מכונה הוא פריט מידע שנוצר ונשמר אחרי שמריצים אלגוריתם של למידת מכונה על נתוני אימון. המודל מייצג את הכללים, המספרים וכל מבנה נתונים אחר שספציפי לאלגוריתם ונדרש כדי ליצור תחזיות. הנה כמה דוגמאות:
- מודל רגרסיה לינארית מורכב מווקטור של מקדמים עם ערכים ספציפיים.
- מודל של עץ החלטות מורכב מעץ אחד או יותר של הצהרות if-then עם ערכים ספציפיים.
- מודל של רשת עצבית עמוקה מורכב ממבנה של תרשים עם וקטורים או מטריצות של משקלים עם ערכים ספציפיים.
ב-BigQuery ML, המונח משקלי מודל משמש לתיאור הרכיבים שמהם מורכב המודל.
הצעות למשקלי מודלים ב-BigQuery ML
ב-BigQuery ML יש כמה פונקציות שאפשר להשתמש בהן כדי לאחזר את משקלי המודל של מודלים שונים.
| קטגוריית המודל | סוגי המודלים | פונקציות של משקלי מודלים | מה הפונקציה עושה |
|---|---|---|---|
| מודלים של למידה מונחית | רגרסיה לינארית ולוגיסטית | ML.WEIGHTS |
אחזור מקדמי התכונות והנקודה על הציר. |
| מודלים של למידה לא מונחית | Kmeans | ML.CENTROIDS |
אחזור מקדמי התכונות של כל המרכזים. |
| פירוק מטריצות | ML.WEIGHTS |
אחזור המשקלים של כל הגורמים הסמויים. הם מייצגים את שתי המטריצות המפורקות, מטריצת המשתמשים ומטריצת הפריטים. | |
| PCA | ML.PRINCIPAL_COMPONENTS |
אחזור מקדמי התכונות של כל הרכיבים העיקריים, שנקראים גם וקטורים עצמיים. | |
ML.PRINCIPAL_COMPONENT_INFO |
אחזור הנתונים הסטטיסטיים של כל רכיב ראשי, כמו ערך עצמי. | ||
| מודלים של סדרות זמנים | ARIMA_PLUS | ML.ARIMA_COEFFICIENTS |
מאחזר את המקדמים של מודל ARIMA, שמשמש ליצירת מודל של רכיב המגמה של סדרת הזמן של הקלט. כדי לקבל מידע על רכיבים אחרים, כמו דפוסים עונתיים שקיימים בסדרת הזמנים, משתמשים ב-ML.ARIMA_EVALUATE. |
ב-BigQuery ML אי אפשר להשתמש בפונקציות של משקלי מודלים בסוגי המודלים הבאים:
כדי לראות את המשקלים של כל סוגי המודלים האלה, חוץ ממודלים של AutoML Tables, צריך לייצא את המודל מ-BigQuery ML ל-Cloud Storage. לאחר מכן תוכלו להשתמש בספריית XGBoost כדי להציג באופן חזותי את מבנה העץ של מודלים של עץ מוגבר ויער אקראי, או בספריית TensorFlow כדי להציג באופן חזותי את מבנה התרשים של מודלים של DNN ומודלים של למידה רחבה ועמוקה. אין שיטה לקבלת מידע על משקל המודל של מודלים ב-AutoML Tables.
למידע נוסף על ייצוא מודל, קראו את המאמרים הצהרת EXPORT MODEL וייצוא מודל של BigQuery ML לחיזוי אונליין.
המאמרים הבאים
מידע נוסף על הצהרות ופונקציות SQL שנתמכות במודלים של ML זמין במאמר התהליכים שעוברים המשתמשים מקצה לקצה במודלים של ML.