GSP247

總覽

BigQuery ML 可讓使用者運用 SQL 查詢，在 BigQuery 建立並執行機器學習模型，目標是讓 SQL 使用者能透過現有的工具建立模型，而且不必移動資料，可加快開發速度，使所有人都能輕鬆使用機器學習技術。

BigQuery 已載入電子商務資料集，其中包含數百萬筆 Google Analytics 的 Google 商品網路商店記錄。在本實驗室中，您將使用這些資料建立模型，預測訪客是否會完成交易。

實驗室內容

本實驗室的內容包括：

• 建立 BigQuery 資料集
• 在 BigQuery 建立、評估與使用機器學習模型

修課條件

為最大化學習效益，建議先具備 SQL 或 BigQuery 的基礎知識。

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)。

注意：請使用無痕模式或私密瀏覽視窗執行此研究室。這可以防止個人帳戶和學生帳戶之間的衝突，避免個人帳戶產生額外費用。

• 是時候完成研究室活動了！別忘了，活動一開始將無法暫停。

注意：如果您擁有個人 Google Cloud 帳戶或專案，請勿用於本研究室，以免產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

1. 按一下「Start Lab」(開始研究室) 按鈕。如果研究室會產生費用，畫面中會出現選擇付款方式的彈出式視窗。左側的「Lab Details」(研究室詳細資料) 面板會顯示下列項目：

   • 「Open Google Console」(開啟 Google 控制台) 按鈕
   • 剩餘時間
   • 必須在這個研究室中使用的暫時憑證
   • 完成這個研究室所需的其他資訊 (如有)

2. 按一下「Open Google Console」(開啟 Google 控制台)。接著，研究室會啟動相關資源並開啟另一個分頁，當中會顯示「Sign in」(登入) 頁面。

   提示：您可以在不同的視窗中並排開啟分頁。

   注意事項：如果頁面中顯示了「Choose an account」(選擇帳戶) 對話方塊，請按一下「Use Another Account」(使用其他帳戶)。

3. 如有必要，請複製「Lab Details」(研究室詳細資料) 面板中的使用者名稱，然後貼到「Sign in」(登入) 對話方塊。按一下「Next」(下一步)。

4. 複製「Lab Details」(研究室詳細資料) 面板中的密碼，然後貼到「Welcome」(歡迎使用) 對話方塊。按一下「Next」(下一步)。

   重要注意事項：請務必使用左側面板中的憑證，而非 Google Cloud 技能重點加強的憑證。 注意事項：如果使用自己的 Google Cloud 帳戶來進行這個研究室，可能會產生額外費用。

5. 按過後續的所有頁面：

   • 接受條款及細則。
   • 由於這是臨時帳戶，請勿新增救援選項或雙重驗證機制。
   • 請勿申請免費試用。

Cloud 控制台稍後會在這個分頁中開啟。

注意事項：按一下畫面左上方的導覽選單，即可在選單中查看 Google Cloud 產品與服務的清單。

開啟 BigQuery 控制台

1. 在 Google Cloud 控制台中，依序選取「導覽選單」>「BigQuery」。

接著，畫面中會顯示「歡迎使用 Cloud 控制台中的 BigQuery」訊息方塊，當中會列出快速入門導覽課程指南的連結和版本資訊。

2. 點選「完成」。

BigQuery 控制台會隨即開啟。

工作 1：建立資料集

1. 點選專案 ID 旁邊的「查看動作」圖示，然後選取「建立資料集」。

2. 將資料集 ID 命名為 bqml_lab，然後點選「建立資料集」。

測試工作已完成

點選「Check my progress」，確認工作已完成。如果順利完成，就會看見評估分數。

建立 BigQuery 資料集

工作 2：建立模型

接著進行您的工作！

1. 前往 BigQuery 編輯器，輸入或貼上以下查詢來建立模型，預測訪客是否會完成交易：

#standardSQL CREATE OR REPLACE MODEL `bqml_lab.sample_model` OPTIONS(model_type='logistic_reg') AS SELECT IF(totals.transactions IS NULL, 0, 1) AS label, IFNULL(device.operatingSystem, "") AS os, device.isMobile AS is_mobile, IFNULL(geoNetwork.country, "") AS country, IFNULL(totals.pageviews, 0) AS pageviews FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` WHERE _TABLE_SUFFIX BETWEEN '20160801' AND '20170631' LIMIT 100000;

2. 點選「執行」。

這裡使用以下條件判斷訪客是否會完成交易：訪客使用的作業系統、該裝置是否為行動裝置、訪客的國家/地區，以及網頁瀏覽次數。

在本例中，bqml_lab 是資料集名稱，而 sample_model 則是模型名稱。指定的模型類型是二元邏輯迴歸。在本例中，label 是您調整的依據。

注意：如果您只想處理 1 欄，這會是設定 input_label_cols 的替代方法。

訓練資料僅限於從 2016 年 8 月 1 日到 2017 年 6 月 30 日收集的資料，以保留最後一個月的資料來用於「預測」。為了節省時間，進一步將資料點限制為 100,000 個。

執行 CREATE MODEL 指令會建立非同步執行的查詢工作，這樣就能關閉或重新整理 BigQuery UI 視窗等。

測試工作已完成

點選「Check my progress」，確認工作已完成。如果順利完成，就會看見評估分數。

建立模型來預測訪客交易

(非必要) 模型資訊與訓練統計資料

如果感興趣，您可以擴充 bqml_lab 資料集，然後點選 UI 中的 sample_model 模型來取得模型資訊。在「詳細資料」分頁下，您會找到一些基本的模型資訊，以及用於產生模型的訓練選項。在「訓練」下，您會看到資料表或圖表，顯示何者視「檢視方式」設定而定：

工作 3：評估模型

• 將先前的查詢換成下列文字，然後點選「執行」：

#standardSQL SELECT * FROM ml.EVALUATE(MODEL `bqml_lab.sample_model`, ( SELECT IF(totals.transactions IS NULL, 0, 1) AS label, IFNULL(device.operatingSystem, "") AS os, device.isMobile AS is_mobile, IFNULL(geoNetwork.country, "") AS country, IFNULL(totals.pageviews, 0) AS pageviews FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` WHERE _TABLE_SUFFIX BETWEEN '20170701' AND '20170801'));

如果和線性迴歸模型一併使用，上述查詢會傳回下列資料欄：

• mean_absolute_error、mean_squared_error、mean_squared_log_error
• median_absolute_error、r2_score、explained_variance

如果和邏輯迴歸模型一併使用，上述查詢會傳回下列資料欄：

• precision、recall
• accuracy、f1_score
• log_loss、roc_auc

請參閱「機器學習詞彙表」或進行 Google 搜尋，瞭解這些指標的計算方式和代表的意義。

您會發現查詢中的 SELECT 和 FROM 部分和訓練時相同。WHERE 部分會反映時間範圍內的變化，而 FROM 部分則顯示您正在呼叫 ml.EVALUATE。

您會看見類似下方的資料表：

測試工作已完成

點選「Check my progress」，確認工作已完成。如果順利完成，就會看見評估分數。

評估模型

工作 4：使用模型

預測各國家/地區的購買量

透過這項查詢，您將嘗試預測各國家/地區訪客的交易量、排序結果，並選出購買量前 10 多的國家/地區：

• 將先前的查詢換成下列文字，然後點選「執行」：

#standardSQL SELECT country, SUM(predicted_label) as total_predicted_purchases FROM ml.PREDICT(MODEL `bqml_lab.sample_model`, ( SELECT IFNULL(device.operatingSystem, "") AS os, device.isMobile AS is_mobile, IFNULL(totals.pageviews, 0) AS pageviews, IFNULL(geoNetwork.country, "") AS country FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` WHERE _TABLE_SUFFIX BETWEEN '20170701' AND '20170801')) GROUP BY country ORDER BY total_predicted_purchases DESC LIMIT 10;

這項查詢與前一部分所示的評估查詢非常類似。您這次使用 ml.PREDICT 來取代 ml.EVALUATE，且查詢的 BigQuery ML 部分是用標準 SQL 指令包裹。在本實驗室中，您感興趣的是國家/地區與各國家/地區的總購買量，所以選擇使用 SELECT、GROUP BY 和 ORDER BY。LIMIT 用來確保只會得到購買量前 10 多的結果。

您會看見類似下方的資料表：

測試工作已完成

點選「Check my progress」，確認工作已完成。如果順利完成，就會看見評估分數。

預測各國家/地區的購買量

預測各使用者的購買量

我們再看另一個例子。這次，您將嘗試預測各訪客的交易量、排序結果，並選出交易量前 10 多的訪客：

• 將先前的查詢換成下列文字，然後點選「執行」：

#standardSQL SELECT fullVisitorId, SUM(predicted_label) as total_predicted_purchases FROM ml.PREDICT(MODEL `bqml_lab.sample_model`, ( SELECT IFNULL(device.operatingSystem, "") AS os, device.isMobile AS is_mobile, IFNULL(totals.pageviews, 0) AS pageviews, IFNULL(geoNetwork.country, "") AS country, fullVisitorId FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` WHERE _TABLE_SUFFIX BETWEEN '20170701' AND '20170801')) GROUP BY fullVisitorId ORDER BY total_predicted_purchases DESC LIMIT 10;

您會看見類似下方的資料表：

測試工作已完成

點選「Check my progress」，確認工作已完成。如果順利完成，就會看見評估分數。

預測各使用者的購買量

工作 5：隨堂測驗

您可透過下列選擇題更清楚瞭解本實驗室的概念。盡力回答即可。

恭喜！

您使用 BigQuery ML 來建立及評估二元邏輯迴歸模型，並使用模型進行預測。

後續行動/瞭解詳情

• 如要進一步瞭解 BigQuery ML，請參閱說明文件。
• 您有 Google Analytics 帳戶，並且想在 BigQuery 中查詢自己的資料集嗎？請按照匯出指南的說明操作。
• 另提供完整的 BigQuery SQL 參考指南供您參閱：https://cloud.google.com/bigquery/docs/reference/standard-sql/query-syntax

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 2 月 22 日

實驗室上次測試日期：2024 年 2 月 22 日

Copyright 2024 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。