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」窗格會顯示下列項目：

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

2. 點選「Open Google Cloud console」；如果使用 Chrome 瀏覽器，也能按一下滑鼠右鍵，然後選取「在無痕式視窗中開啟連結」。

   接著，實驗室會啟動相關資源並開啟另一個分頁，當中顯示「登入」頁面。

   提示：您可以在不同的視窗中並排開啟分頁。

   注意：如果頁面中顯示「選擇帳戶」對話方塊，請點選「使用其他帳戶」。

3. 如有必要，請將下方的 Username 貼到「登入」對話方塊。

   {{{user_0.username | "Username"}}}

   您也可以在「Lab Details」窗格找到 Username。

4. 點選「下一步」。

5. 複製下方的 Password，並貼到「歡迎使用」對話方塊。

   {{{user_0.password | "Password"}}}

   您也可以在「Lab Details」窗格找到 Password。

6. 點選「下一步」。

   重要事項：請務必使用實驗室提供的憑證，而非自己的 Google Cloud 帳戶憑證。 注意：如果使用自己的 Google Cloud 帳戶來進行這個實驗室，可能會產生額外費用。

7. 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。

Google Cloud 控制台稍後會在這個分頁開啟。

注意：如要查看列出 Google Cloud 產品和服務的選單，請點選左上角的「導覽選單」。

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。