BigQuery ML 模型評估總覽
本文說明 BigQuery ML 如何支援機器學習 (ML) 模型評估。
模型評估總覽
您可以使用 ML 模型評估指標，達到下列目的：
- 評估模型與資料的擬合品質。
- 比較不同模型。
- 預測每個模型在特定資料集上的準確度，以利選取模型。
監督式和非監督式學習模型的評估方式不同：
- 監督式學習模型的評估方式明確，評估集是模型尚未分析的資料，通常會從訓練集中排除，然後用於評估模型效能。建議您不要使用訓練集進行評估，因為這樣會導致模型在一般化新資料的預測結果時，效能不佳。這種結果稱為過度擬合。
- 對於非監督式學習模型，模型評估的定義較不明確，通常會因模型而異。由於非監督式學習模型不會保留評估集，因此評估指標是使用整個輸入資料集計算而得。
模型評估服務
BigQuery ML 提供下列函式，可計算機器學習模型的評估指標：
| 模型類別 | 模型類型 | 模型評估函式 | 函式用途 |
|---|---|---|---|
| 監督式學習 | 線性迴歸 提升樹狀結構迴歸器 隨機森林迴歸器 DNN 迴歸器 廣而深迴歸器 AutoML Tables 迴歸器 |
ML.EVALUATE |
報表會顯示下列指標：
|
| 羅吉斯迴歸 提升樹狀結構分類器 隨機森林分類器 DNN 分類器 廣而深分類器 AutoML Tables 分類器 |
ML.EVALUATE |
報表會顯示下列指標：
|
|
ML.CONFUSION_MATRIX |
回報混淆矩陣。 | ||
|