BigQuery ML 模型權重總覽
您可以在 BigQuery ML 中擷取模型權重,檢查訓練過的機器學習 (ML) 模型包含的特定規則、數字和元件。探索這些內部資料結構,可讓您瞭解及稽核模型用於預測的確切數學邏輯。
機器學習模型是在訓練資料上執行機器學習演算法後,儲存的構件。模型代表規則、數字和任何其他演算法專屬的資料結構,這些結構是進行預測時所必需。以下提供幾個範例:
- 線性迴歸模型是由具有特定值的係數向量組成。
- 決策樹模型由一或多個樹狀結構組成,其中包含具有特定值的 if-then 陳述式。
- 深層類神經網路模型是由圖表結構組成,其中包含具有特定值的權重向量或矩陣。
在 BigQuery ML 中,「模型權重」一詞用於描述模型組成的元件。
BigQuery ML 提供的模型權重
BigQuery ML 提供多種函式,可用於擷取不同模型的權重。
| 模型類別 | 模型類型 | 模型權重函式 | 函式功能 |
|---|---|---|---|
| 監督式模型 | 線性與邏輯迴歸 | ML.WEIGHTS |
擷取特徵係數和截距。 |
| 非監督式模型 | Kmeans | ML.CENTROIDS |
擷取所有群集中心的特徵係數。 |
| 矩陣分解 | ML.WEIGHTS |
擷取所有潛在因素的權重。代表兩個分解矩陣:使用者矩陣和項目矩陣。 | |
| PCA | ML.PRINCIPAL_COMPONENTS |
擷取所有主成分的特徵係數,也稱為特徵向量。 | |
ML.PRINCIPAL_COMPONENT_INFO |
擷取各個主成分的統計資料,例如特徵值。 | ||
| 時間序列模型 | ARIMA_PLUS | ML.ARIMA_COEFFICIENTS |
擷取 ARIMA 模型的係數,用於模擬輸入時間序列的趨勢元件。如要瞭解其他元件 (例如時間序列中的季節性模式),請使用 ML.ARIMA_EVALUATE。 |
BigQuery ML 不支援下列模型類型的模型權重函式:
如要查看除了 AutoML Tables 模型以外,所有這些模型類型的權重,請將模型從 BigQuery ML 匯出至 Cloud Storage。接著,您可以使用 XGBoost 程式庫,以視覺化方式呈現梯度提升樹和隨機森林模型的樹狀結構,或使用 TensorFlow 程式庫,以視覺化方式呈現 DNN 和廣度和深度模型的圖表結構。目前沒有方法可以取得 AutoML Tables 模型的權重資訊。
如要進一步瞭解如何匯出模型,請參閱「EXPORT MODEL 陳述式」和「匯出 BigQuery ML 模型以進行線上預測」。
後續步驟
如要進一步瞭解機器學習模型支援的 SQL 陳述式和函式,請參閱「機器學習模型的端對端使用者歷程」。