Guida Pratica ai Modelli ML in BigQuery

Scopri il ciclo di vita completo di un modello di machine learning, dalla preparazione dei dati all'interpretazione dei risultati per gli stakeholder. Costruisci e valuta un modello di regressione lineare direttamente all'interno di BigQuery.

Preparazione dei dati e progettazione dello schema

Prima di iniziare la modellazione, è necessario definire dove risiedono i dati e come sono strutturati:

• Creazione di uno schema: definizione dei nomi delle colonne e dei tipi di dati per garantire che i dati possano essere caricati e interrogati correttamente;
• Caricamento e ispezione dei dati: utilizzo di piccoli dataset per osservare le correlazioni iniziali, come l'influenza del numero di camere da letto sui prezzi delle case;
• Comprensione delle correlazioni: combinazione di più caratteristiche per individuare le relazioni predittive forti necessarie per applicazioni reali.

Addestramento del modello e logica

Il machine learning consiste nell'insegnare a un modello a riconoscere le relazioni matematiche tra input e output:

• Selezione del modello: utilizzo della regressione lineare per prevedere risultati numerici continui;
• Definizione delle variabili: impostazione della variabile target (ad esempio, prezzo) e delle caratteristiche di input (ad esempio, metratura e camere da letto);
• Processo di apprendimento: l'addestramento avviene in iterazioni in cui il modello si adatta in base al tasso di apprendimento per minimizzare la perdita (errore quadratico medio).

Valutazione e validazione

Per garantire che il modello stia realmente apprendendo e non semplicemente memorizzando, è necessario validarne le prestazioni:

• Suddivisione tra addestramento e valutazione: trattenere circa il 20 percento dei dati per testare il modello su esempi non visti;
• Metriche di valutazione del modello: utilizzo di (R-quadro) per misurare la capacità predittiva, dove valori superiori a 0,8 indicano generalmente una solida base;
• Confronto dei valori: analisi dell'errore percentuale tra i valori previsti e quelli reali per confermare l'accuratezza del modello.

Generazione delle previsioni e interpretazione

L'obiettivo finale è generare insight azionabili da nuovi dati:

• Generazione delle previsioni: applicazione del modello addestrato a nuovi record non visti per simulare l'utilizzo reale;
• Interpretazione dei pesi: esame dei pesi delle caratteristiche per determinare quali input, come il numero di camere da letto, hanno la maggiore influenza sulla previsione finale;
• Intercette di base: identificazione dell'intercetta per comprendere la previsione di base quando tutte le caratteristiche di input sono pari a zero.