Fonctionnement des Modèles dans BigQuery ML

Découvrez le fonctionnement des modèles d'apprentissage automatique dans BigQuery ML grâce à cette introduction accessible aux analyses prédictives pratiques. Décomposez des concepts complexes pour comprendre comment les modèles s'intègrent dans votre flux de données et pourquoi BigQuery ML simplifie le processus de création directement en SQL.

L'essence d'un modèle

En substance, un modèle est un système de prédiction intelligent. Il analyse des données existantes, telles que l'activité des clients ou les ventes, afin d'apprendre des schémas et de les appliquer pour classer de nouvelles données. Un modèle fonctionne comme un système auquel vous fournissez des données, il apprend, puis il prédit des résultats futurs.

Types de modèles dans BigQuery ML

Sélectionnez le type de modèle approprié en fonction de vos questions métier spécifiques et de la structure de vos données :

• Modèles de régression : à utiliser pour prédire une valeur numérique, telle que le chiffre d'affaires ou la valeur vie client ;
• Modèles de classification : à appliquer pour prédire des catégories plutôt que des valeurs numériques, par exemple pour déterminer si un client va se désabonner ;
• Modèles de clustering : utilisez cette technique non supervisée pour identifier des regroupements naturels dans les données sans étiquettes prédéfinies ;
• Prévision de séries temporelles : prédisez des valeurs futures à partir des tendances passées en tenant compte de la saisonnalité et des fluctuations temporelles.

[Image comparant les graphiques de régression linéaire et de classification logistique]

Comparaison entre classification et clustering

Il est important de comprendre la différence fondamentale entre ces deux méthodes de regroupement :

• Classification : travail avec des classes connues et prédéfinies ;
• Clustering : le modèle découvre automatiquement des classes inconnues.