Funktionsweise von Modellen in BigQuery ML

Entdecken Sie, wie Machine-Learning-Modelle innerhalb von BigQuery ML funktionieren, durch diese zugängliche Einführung in praktische prädiktive Erkenntnisse. Komplexe Konzepte werden aufgeschlüsselt, um zu verdeutlichen, wie Modelle in Ihren Daten-Workflow passen und warum BigQuery ML den Modellierungsprozess direkt in SQL vereinfacht.

Das Wesen eines Modells

Im Kern ist ein Modell ein intelligentes Vorhersagesystem. Es analysiert vorhandene Daten, wie beispielsweise Kundenaktivitäten oder Umsätze, um Muster zu erkennen und diese auf neue Daten anzuwenden. Ein Modell funktioniert wie ein System, dem Sie Daten zuführen, das daraus lernt und anschließend zukünftige Ergebnisse prognostiziert.

Modelltypen in BigQuery ML

Wählen Sie den passenden Modelltyp basierend auf Ihren spezifischen Geschäftsfragen und Datenstrukturen:

• Regressionsmodelle: geeignet zur Vorhersage numerischer Ergebnisse, wie Umsatz oder Customer Lifetime Value;
• Klassifikationsmodelle: geeignet zur Vorhersage von Kategorien anstelle von Zahlen, beispielsweise zur Bestimmung, ob ein Kunde abwandert;
• Clustering-Modelle: nutzen Sie diese unüberwachte Technik, um natürliche Gruppierungen in Daten ohne vordefinierte Labels zu identifizieren;
• Zeitreihenprognose: Vorhersage zukünftiger Werte auf Basis vergangener Trends unter Berücksichtigung von Saisonalität und zeitlichen Schwankungen.

[Abbildung zum Vergleich von linearen Regressions- und logistischen Klassifikationsdiagrammen]

Vergleich von Klassifikation und Clustering

Es ist wichtig, den grundlegenden Unterschied zwischen diesen beiden Gruppierungsmethoden zu verstehen:

• Klassifikation: Arbeit mit bekannten und vordefinierten Klassen;
• Clustering: Das Modell erkennt unbekannte Klassen automatisch.