GSP944

總覽

在本實驗室，我們會講解如何利用 BigQuery ML (BigQuery 機器學習) 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，並使用 Vertex AI Python SDK，匯出該模型並部署至 Vertex AI 進行線上預測。

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

瞭解以下事項後，再點選「Start Lab」按鈕

請詳閱以下操作說明。實驗室活動會計時，且中途無法暫停。點選「Start Lab」後就會開始計時，顯示可使用 Google Cloud 資源的時間。

您將在真正的雲端環境完成實作實驗室活動，而不是模擬或示範環境。為此，我們會提供新的暫時憑證，供您在實驗室活動期間登入及存取 Google Cloud。

為了順利完成這個實驗室，請先確認：

• 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

• 是時候完成實驗室活動了！別忘了，活動一旦開始將無法暫停。

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 控制台頂端的「啟用 Cloud Shell」圖示 。

2. 系統顯示視窗時，請按照下列步驟操作：

   • 繼續操作 Cloud Shell 視窗。
   • 授權 Cloud Shell 使用您的憑證發出 Google Cloud API 呼叫。

連線建立完成即代表已通過驗證，而且專案已設為您的 Project_ID：。輸出內容中有一行文字，宣告本工作階段的 Project_ID：

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。

3. (選用) 您可以執行下列指令來列出使用中的帳戶：

4. 點按「授權」。

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：

工作 1：建立 Vertex AI Workbench 執行個體

1. 前往 Google Cloud 控制台，依序選取「導覽選單」圖示 >「Vertex AI」>「資訊主頁」。

2. 點選「啟用所有建議的 API」。

3. 點選左側的「Workbench」。

4. 在「Workbench」頁面頂端，確認您位於「執行個體」檢視頁面。

5. 點選「建立新項目」。

6. 設定執行個體：

   • 名稱：lab-workbench
   • 區域：設為
   • 可用區：設為
   • 進階選項 (選用)：需要時點選「進階選項」，進一步自訂機型和磁碟大小等

7. 點選「建立」。

8. 點選執行個體名稱旁的「Open Jupyterlab」，開啟 JupyterLab 介面，這會在瀏覽器中開啟新分頁。

9. 點選「Terminal」圖示，開啟新的終端機視窗。

終端機視窗會在新分頁中開啟。您現在可以在終端機執行指令，與 Workbench 執行個體互動。

點選「Check my progress」，確認目標已達成。 建立 Vertex AI Workbench 執行個體

工作 2：從 Cloud Storage bucket 複製筆記本

1. 複製筆記本中的下列路徑：

點選「Check my progress」，確認目標已達成。 從 Cloud Storage bucket 複製筆記本

2. 打開筆記本檔案 lab_exercise.ipynb。

3. 出現「Select Kernel」對話方塊時，從可用核心清單中選取「TensorFlow 2-11」。

4. 在定義常數部分，將 REGION 變數換成 。

5. 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，以便完成練習並取得評分。

工作 3：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 4：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 5：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 6：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：2025 年 5 月 14 日

實驗室上次測試日期：2025 年 5 月 14 日

Copyright 2026 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。