Hyperparameter-Optimierung BigQuery ML

Mit BigQuery ML können Sie ML-Modelle schnell mit Daten in BigQuery trainieren. Angenommen, Sie möchten ein lineares ML-Modell trainieren, um die Dauer eines Fahrradverleihs vorherzusagen, können Sie dies folgendermaßen tun:

CREATE OR REPLACE MODEL ch09eu.bicycle_model_linear
OPTIONS(
 model_type='linear_reg', input_label_cols=['duration']
)
AS
SELECT 
  start_station_name,
  CAST(EXTRACT(DAYOFWEEK FROM start_date) AS STRING) AS dayofweek,
  CAST(EXTRACT HOUR FROM start_date) AS STRING) AS hourofday,
  duration
FROM `bigquery-public-data.london_bicycles.cycle_hire`

CREATE OR REPLACE MODEL ch09eu.bicycle_model_dnn
TRANSFORM(
   start_station_name,
   CAST(EXTRACT(DAYOFWEEK FROM start_date) AS STRING) AS dayofweek,
   ML.BUCKETIZE(EXTRACT(HOUR FROM start_date), [0, 6, 12, 18, 24]) AS hourofday,
   duration
)
OPTIONS(
 model_type='dnn_regressor', input_label_cols=['duration'], 
 hidden_units=[32, 8],
 learn_rate=0.1,
 dropout=0.25,
)
AS
SELECT 
  start_station_name, start_date, duration
FROM `bigquery-public-data.london_bicycles.cycle_hire`

CREATE OR REPLACE MODEL ch09eu.bicycle_model_dnn_hparam
TRANSFORM(
   start_station_name,
   CAST(EXTRACT(DAYOFWEEK FROM start_date) AS STRING) AS dayofweek,
   ML.BUCKETIZE(EXTRACT(HOUR FROM start_date), [0, 6, 12, 18, 24]) AS hourofday,
   duration
)
OPTIONS(
 model_type='dnn_regressor', input_label_cols=['duration'], 
 num_trials=10,
 hidden_units=[32, 8],
 learn_rate=hparam_range(0, 0.5),
 dropout=hparam_candidates([0, 0.1, 0.25, 0.4])
)
AS
SELECT 
  start_station_name, start_date, duration
FROM `bigquery-public-data.london_bicycles.cycle_hire`

Beachten Sie, dass jeder Modelltyp nur die Abstimmung einiger weniger Parameter zulässt . Für DNN-Modelle können Sie beispielsweise Batch_size, Dropout, Learn_Rate, Optimierer und Aktivierungsfunktion optimieren.

Was ist, wenn Sie die Anzahl der versteckten Knoten optimieren möchten? Oder die Eimerintervalle ändern? Oder mit und ohne individuelle Features ausprobieren? In diesem Fall sollten Sie dem Ansatz in diesem Artikel folgen und ein Python-Gerüst aufbauen. Ein solches Python-Gerüst gibt Ihnen viel Flexibilität.

Um grundlegende Modellparameter abzustimmen, verwenden Sie jedoch die integrierte Integration in Vertex AI.