總覽

BigQuery 機器學習 (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。

課程內容

如何在 BigQuery 建立、評估與使用機器學習模型

事前準備

• Chrome 或 Firefox 瀏覽器
• SQL 或 BigQuery 的基本知識

設定和需求

在每個研究室中，您都能在固定時間內免付費建立新的 Google Cloud 專案，並使用一組資源。

1. 請透過無痕式視窗登入 Qwiklabs。

2. 請記下研究室的存取時間 (例如 1:15:00)，並確保自己能在時間限制內完成作業。
   研究室不提供暫停功能。如有需要，您可以重新開始，但原先的進度恕無法保留。

3. 準備就緒後，請按一下「Start lab」。

4. 請記下研究室憑證 (使用者名稱和密碼)，這組資訊將用於登入 Google Cloud 控制台。

5. 按一下「Open Google Console」。

6. 按一下「Use another account」，然後複製這個研究室的憑證，並貼入提示訊息。
   如果使用其他憑證，系統會顯示錯誤或向您收取費用。

7. 接受條款，然後略過資源復原頁面。

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指南的連結和使用者介面更新內容。

2. 按一下「完成」。

工作 1：建立資料集

1. 在專案中建立新資料集：在「Explorer」部分點選專案 ID 旁的三點圖示，按一下「建立資料集」。

「建立資料集」對話方塊會隨即開啟。

2. 在「資料集 ID」輸入 bqml_lab，點選「建立資料集」(接受其他預設值)。

工作 2：探索資料

本實驗室要使用的資料位於 bigquery-public-data 專案，所有人皆可存取。我們來看看這些資料範例。

1. 在「未命名的查詢」方塊中新增查詢，點選「執行」按鈕。

#standardSQL 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 10000;

資料表有許多欄，但我們只需其中幾欄來建立 ML 模型。這裡使用下列條件判斷訪客是否會完成交易：訪客裝置使用的作業系統、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，label 是您調整或預測的依據。

這些資料會成為您所建立 ML 模型的訓練資料，且僅限從 2016 年 8 月 1 日到 2017 年 6 月 31 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 10,000 個。

2. 接著將資料儲存為訓練資料。點選「儲存」，從下拉式選單選取「儲存檢視表」，將這個查詢儲存為 view。在彈出式視窗中，「資料集」選取 bqml_lab，「資料表名稱」輸入 training_data，然後點選「儲存」。

工作 3：建立模型

• 現在將查詢換成下列內容，建立模型來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 * from `bqml_lab.training_data`;

在本例中，bqml_lab 是資料集名稱，sample_model 是模型名稱，training_data 則是前一項工作查看的交易資料。指定的模型類型是二元邏輯迴歸。

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。

[非必要] 模型資訊與訓練統計資料

如果感興趣，您可以點選左選單中的 bqml_lab 資料集，按一下 UI 中的 sample_model 模型來取得模型資訊。在「詳細資料」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，您會看見類似下方的資料表：

工作 4：評估模型

• 現在將查詢換成下列內容：

#standardSQL SELECT * FROM ml.EVALUATE(MODEL `bqml_lab.sample_model`);

在本查詢中，您使用 ml.EVALUATE 函式，根據實際資料評估預測值，該函式提供一些與模型成效相關的指標。您會看見類似下方的資料表：

工作 5：使用模型

1. 現在點選「SQL 查詢」並執行下列查詢：

#standardSQL 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, fullVisitorId FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*` WHERE _TABLE_SUFFIX BETWEEN '20170701' AND '20170801';

您會發現查詢中的 SELECT 和 FROM 部分，與用於產生訓練資料的部分類似。另外還有 fullVisitorId 欄，您可以用該欄預測個別使用者的交易。WHERE 部分則反映時間範圍 (2017 年 7 月 1 日至 8 月 1 日) 內的變化。

2. 接著儲存 7 月的資料，在接下來的兩個步驟，使用該資料和我們的模型進行預測。點選「儲存」，從下拉式選單選取「儲存檢視表」，將這個查詢儲存為 view。在彈出式視窗中，「資料集」選取 bqml_lab，「資料表名稱」輸入 july_data，然後點選「儲存」。

3. 預測各國家/地區的購物行為

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：

#standardSQL SELECT country, SUM(predicted_label) as total_predicted_purchases FROM ml.PREDICT(MODEL `bqml_lab.sample_model`, ( SELECT * FROM `bqml_lab.july_data`)) GROUP BY country ORDER BY total_predicted_purchases DESC LIMIT 10;

本次查詢使用的是 ml.PREDICT，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 則用於確保只會取得購買量前 10 多的結果。

您會看見類似下方的資料表：

4. 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：

#standardSQL SELECT fullVisitorId, SUM(predicted_label) as total_predicted_purchases FROM ml.PREDICT(MODEL `bqml_lab.sample_model`, ( SELECT * FROM `bqml_lab.july_data`)) GROUP BY fullVisitorId ORDER BY total_predicted_purchases DESC LIMIT 10;

您會看見類似下方的資料表：

關閉研究室

如果您已完成研究室，請按一下「End Lab」(關閉研究室)。Google Cloud Skills Boost 會移除您使用的資源，並清除所用帳戶。

您可以針對研究室的使用體驗評分。請選取合適的星級評等並提供意見，然後按一下「Submit」(提交)。

星級評等代表您的滿意程度：

• 1 星 = 非常不滿意
• 2 星 = 不滿意
• 3 星 = 普通
• 4 星 = 滿意
• 5 星 = 非常滿意

如果不想提供意見回饋，您可以直接關閉對話方塊。

如有任何想法、建議或指教，請透過「Support」(支援) 分頁提交。

Copyright 2022 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。