GSP247

總覽

BigQuery 機器學習 (BigQuery ML) 使用者可透過 SQL 查詢，在 BigQuery 建立並執行機器學習模型。也就是說，所有熟悉 SQL 的人都能以現有工具建模，輕鬆運用機器學習技術，而且不必移動資料，開發速度更快。

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，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

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

為獲得最大學習效益，建議先掌握 SQL 或 BigQuery 的基礎知識。

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)。

注意事項：請使用無痕模式 (建議選項) 或私密瀏覽視窗執行此實驗室，這可以防止個人帳戶和學員帳戶之間的衝突，避免個人帳戶產生額外費用。

• 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。

注意事項：務必使用實驗室專用的學員帳戶。如果使用其他 Google Cloud 帳戶，可能會產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

1. 點選「Start Lab」按鈕。如果實驗室會產生費用，畫面上會出現選擇付款方式的對話方塊。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臨時憑證
   • 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，選取「在無痕視窗中開啟連結」。

   接著，實驗室會啟動相關資源，並開啟另一個分頁，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：如要使用 Google Cloud 產品和服務，請點選「導覽選單」，或在「搜尋」欄位輸入服務或產品名稱。

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」。

測試已完成的工作

點選「Check my progress」，確認工作已完成。如果成功完成，就會看見評估分數。

建立 BigQuery 資料集

工作 2：建立模型

開始做主要工作。

1. 點選「+」 (SQL 查詢) 按鈕，複製並貼上下列查詢，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 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。

本例中，bqml_lab 是資料集名稱，而 sample_model 是模型名稱。指定的模型類型為二元邏輯迴歸。label 部分則指明調整依據。

注意：如果您只想處理 1 欄資料，可以改用這種方式設定 input_label_cols。

訓練資料的時間範圍會限縮為 2016 年 8 月 1 日到 2017 年 6 月 30 日，以保留最後一個月的資料來做「預測」。為節省時間，這裡進一步將資料點限制為 100,000 個。

執行 CREATE MODEL 指令後，非同步執行的查詢工作會隨即建立，方便您關閉或重新整理 BigQuery UI 視窗等。

測試已完成的工作

點選「Check my progress」，確認工作已完成。如果成功完成，就會看見評估分數。

建立模型來預測訪客交易

(選用) 模型資訊與訓練統計資料

如果感興趣，您可以展開 bqml_lab 資料集，然後點選 UI 中的 sample_model 模型來取得模型資訊。在「詳細資訊」分頁，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。「訓練」分頁會依「檢視方式」設定顯示資料表或圖表：

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'));

如果搭配使用線性迴歸模型，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

如果搭配使用邏輯迴歸模型，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」或使用 Google 搜尋，瞭解這些指標的計算方式與意義。

您會發現查詢中的 SELECT 和 FROM 部分與訓練時相同。WHERE 部分會反映時間範圍內的變化，而 FROM 部分顯示目前正在呼叫 ml.EVALUATE。

畫面上的資料表應與下圖類似：

測試已完成的工作

點選「Check my progress」，確認工作已完成。如果成功完成，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

接下來，這項查詢可預測各國家/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示範的評估查詢很類似。但這次是使用 ml.PREDICT 而非 ml.EVALUATE，而且查詢的 BigQuery ML 部分用標準 SQL 指令包裹起來。在本實驗室，您想瞭解的是交易國家/地區和各自的總購買量，所以選擇使用 SELECT、GROUP BY 和 ORDER BY。LIMIT 用來確保結果只會傳回購買量前 10 多的國家/地區。

畫面上的資料表應與下圖類似：

測試已完成的工作

點選「Check my progress」，確認工作已完成。如果成功完成，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

再來看看另一個例子。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;

畫面上的資料表應與下圖類似：

測試已完成的工作

點選「Check my progress」，確認工作已完成。如果成功完成，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

完成下列選擇題能加深您的印象，更清楚本實驗室介紹的概念，盡力回答即可。

恭喜！

您已透過 BigQuery ML 建立及評估二元邏輯迴歸模型，並使用該模型做出預測。

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 查詢自有資料集嗎？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：2026 年 1 月 22 日

實驗室上次測試日期：2026 年 1 月 22 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。