GSP944

總覽

在本實驗室中，我們將講解如何利用 BigQuery ML XGBoost 模型進行訓練、調整、評估及解讀，並產生批次及線上預測結果。您將利用實際行動應用程式「Flood it!」(Android 應用程式；iOS 應用程式) 中的 Google Analytics 4 資料集，判定使用者回訪應用程式的機率。此外，您也會運用 BigQuery ML 模型產生批次預測結果，並且使用 Vertex Python SDK，將該模型匯出並部署至 Vertex AI，以利線上預測。

BigQuery ML 可讓您使用標準 SQL 查詢，在 BigQuery 中借助機器學習模型訓練並執行批次推論，這樣不但能減少程式碼行數，也無需移動資料。

Vertex AI 是 Google Cloud 隨附的新一代整合式平台，適用於機器學習開發作業。只要在 Vertex AI 上開發和部署 BigQuery ML 機器學習解決方案，即可採用可擴充的線上預測服務和 MLOps 工具，重新訓練及監控模型，不僅可大幅提升開發效率，還能調度工作流程資源、依據資料做決策，並加速創造價值。

注意：BQML 現稱為 BigQuery ML。

本實驗室內容取材自「Churn prediction for game developers using Google Analytics 4 (GA4) and BigQuery ML (遊戲開發人員使用 Google Analytics 4 (GA4) 和 BigQuery ML 預測流失情形)」，並由此延伸。請參閱網誌文章和隨附的教學課程，進一步瞭解這類用途和 BigQuery ML。

本實驗室會進一步探討，並著重於 Vertex AI 如何藉由線上預測，讓 BigQuery ML 功能更加完善。如此一來，您就能在 Looker 資訊主頁這類決策 UI 中整合客戶流失預測結果，還可直接將線上預測結果導入客戶應用程式，提升鎖定獎勵等目標式干預策略的成效。

目標

本實驗室的內容包括：

• 在 BigQuery 中探索和預先處理用於機器學習的 Google Analytics 4 資料樣本。
• 訓練 BigQuery ML XGBoost 分類器，預測手遊應用程式的使用者流失率。
• 使用 BigQuery ML 超參數微調功能，調整 BigQuery ML XGBoost 分類器。
• 評估 BigQuery ML XGBoost 分類器的成效。
• 使用 BigQuery ML Explainable AI 全域特徵歸因功能，解讀 XGBoost 模型。
• 使用 BigQuery ML XGBoost 模型，產生批次預測結果。
• 將 BigQuery ML XGBoost 模型匯出至 Google Cloud Storage bucket。
• 將 BigQuery ML XGBoost 模型上傳及部署至 Vertex AI Prediction 端點，以利線上預測。

設定和需求

點選「Start Lab」按鈕前的須知事項

請詳閱以下操作說明。研究室活動會計時，而且中途無法暫停。點選「Start Lab」 後就會開始計時，讓您瞭解有多少時間可以使用 Google Cloud 資源。

您將在真正的雲端環境中完成實作研究室活動，而不是在模擬或示範環境。為達此目的，我們會提供新的暫時憑證，讓您用來在研究室活動期間登入及存取 Google Cloud。

如要完成這個研究室活動，請先確認：

• 您可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

• 是時候完成研究室活動了！別忘了，活動一開始將無法暫停。

啟動 Cloud Shell

Cloud Shell 是搭載多項開發工具的虛擬機器，提供永久的 5 GB 主目錄，而且在 Google Cloud 中運作。Cloud Shell 提供指令列存取權，方便您使用 Google Cloud 資源。

1. 點按 Google Cloud 控制台上方的「啟用 Cloud Shell」圖示 。

連線完成即代表已通過驗證，且專案已設為您的 PROJECT_ID。輸出內容中有一行宣告本工作階段 PROJECT_ID 的文字：

gcloud 是 Google Cloud 的指令列工具，已預先安裝於 Cloud Shell，並支援 Tab 鍵自動完成功能。

2. (選用) 您可以執行下列指令來列出使用中的帳戶：

3. 點按「授權」。

4. 輸出畫面應如下所示：

輸出內容：

5. (選用) 您可以使用下列指令來列出專案 ID：

輸出內容：

輸出內容範例：

工作 1：啟用 Google Cloud 服務

• 前往 Cloud Shell，使用 gcloud 指令啟用本實驗室會用到的服務：

工作 2：部署 Vertex 筆記本執行個體

1. 按一下「導覽選單」圖示 () >「Vertex AI」>「Workbench」。

2. 在「Customize new instance」頁面，前往「User-Managed Notebooks」分頁，然後按一下「Create New」。

3. 在「Customize new instance」選單中，選取「Environment」並選擇「TensorFlow Enterprise 2.11」版本。

4. 在「New instance」對話方塊中，為「Region」選取「」、「Zone」的部分則選取「」，然後保留所有其他欄位預設的選項，並按一下「Create」。

幾分鐘後，Vertex AI 控制台將會顯示執行個體名稱，後面接著 Open Jupyterlab。

5. 點選「Open JupyterLab」。

這樣，筆記本就設定完成了。

點選「Check my progress」，確認目標已達成。 建立 Vertex AI 筆記本

工作 3：複製實驗室存放區

接著，請在 JupyterLab 執行個體中複製 training-data-analyst 筆記本。

1. 點選 JupyterLab 中的「Terminal」圖示，開啟新的終端機。

2. 為複製 training-data-analyst GitHub 存放區，請輸入下列指令，然後按下 Enter 鍵：

3. 如要確認是否已複製存放區，請按兩下 training-data-analyst 目錄，確定可以查看內容。

點選「Check my progress」，確認目標已達成。 複製實驗室存放區

前往實驗室筆記本

1. 在筆記本中，依序點選「training-data-analyst」>「quests」>「vertex-ai」>「vertex-bqml」，然後開啟「lab_exercise.ipynb」。

2. 在筆記本中繼續完成實驗室工作，然後點選畫面頂端的「執行」圖示 ，逐一執行儲存格。或者，您也可以按下 Shift + Enter 鍵，執行儲存格中的程式碼。

請閱讀相關說明，確定您瞭解每個儲存格的狀況。您可以隨著實驗室筆記本的工作進度，返回查看這些操作說明，以便完成練習，取得評分。

工作 4：建立 BigQuery 資料集

點選「Check my progress」，確認目標已達成。 建立 BigQuery 資料集

工作 5：建立 BigQuery ML XGBoost 流失傾向模型。

點選「Check my progress」，確認目標已達成。 建立 BigQuery ML XGBoost 流失傾向模型

工作 6：評估 BigQuery ML 模型

點選「Check my progress」，確認目標已達成。 評估 BigQuery ML 模型

工作 7：使用 BigQuery ML 模型批次預測使用者流失情況

點選「Check my progress」，確認目標已達成。 使用 BigQuery ML 模型批次預測使用者流失情況

恭喜！

在本實驗室中，您訓練、調整、解讀了 BigQuery ML 使用者流失模型，並將其部署到 Vertex AI 中，用來產生對業務極具影響力的批次和線上流失預測結果。有了這些結果，您就能對可能流失的客戶採取干預策略，例如提供遊戲獎勵和提醒通知。

後續步驟/瞭解詳情

請參閱 Vertex AI 說明文件，進一步瞭解 Vertex AI。

Google Cloud 教育訓練與認證

協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法，讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程，並有隨選、線上和虛擬課程等選項，方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。

使用手冊上次更新日期：2024 年 4 月 17 日

實驗室上次測試日期：2024 年 4 月 17 日

Copyright 2025 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標，其他公司和產品名稱則有可能是其關聯公司的商標。