In questo lab utilizzerai la tabella relativa ai pinguini per creare un modello che preveda il peso di un pinguino in base alla specie, all'isola su cui vive, alla lunghezza e alle profondità del culmen, alla lunghezza delle pinne e al sesso.
Questo lab introduce BigQuery ML agli analisti di dati. BigQuery ML consente agli utenti di creare ed eseguire modelli di machine learning in BigQuery utilizzando query SQL. L'obiettivo è democratizzare il machine learning consentendo a chi utilizza SQL di creare modelli con i propri strumenti esistenti e aumentare la velocità di sviluppo attraverso l'eliminazione della necessità di spostare i dati.
CREATE MODEL con BigQuery ML.ML.EVALUATE.ML.PREDICT.Per ciascun lab, riceverai un nuovo progetto Google Cloud e un insieme di risorse per un periodo di tempo limitato senza alcun costo aggiuntivo.
Accedi a Google Skills utilizzando una finestra Incognito.
Tieni presente la durata dell'accesso al lab (ad esempio, 1:15:00) e assicurati di finire entro quell'intervallo di tempo.
Non è disponibile una funzionalità di pausa. Se necessario, puoi riavviare il lab ma dovrai ricominciare dall'inizio.
Quando è tutto pronto, fai clic su Inizia lab.
Annota le tue credenziali del lab (Nome utente e Password). Le userai per accedere a Google Cloud Console.
Fai clic su Apri console Google.
Fai clic su Utilizza un altro account e copia/incolla le credenziali per questo lab nei prompt.
Se utilizzi altre credenziali, compariranno errori oppure ti verranno addebitati dei costi.
Accetta i termini e salta la pagina di ripristino delle risorse.
), fai clic su API e servizi > Libreria.Il primo passaggio prevede di creare un set di dati BigQuery per archiviare il tuo modello ML. Per creare il set di dati:
Nella console Cloud, nel menu di navigazione, fai clic su BigQuery.
Nel riquadro Explorer, fai clic sull'icona Visualizza azioni (tre puntini verticali) accanto al tuo ID progetto, quindi fai clic su Crea set di dati.
Nella pagina Crea set di dati:
Per ID set di dati, digita bqml_tutorial
(Facoltativo) Per Località dei dati, seleziona USA (più regioni negli Stati Uniti).
Attualmente, i set di dati pubblici sono archiviati nella località Stati Uniti (più regioni). Per semplicità, dovresti inserire il tuo set di dati nella stessa località.
Ora creerai un modello di regressione lineare utilizzando la tabella penguins per BigQuery.
CREATE MODEL addestra il modello creato.La clausola CREATE MODEL viene utilizzata per creare e addestrare il modello denominato bqml_tutorial.penguins_model.
La clausola OPTIONS(model_type='linear_reg', input_label_cols=['body_mass_g']) indica che stai creando un modello di regressione lineare. Una regressione lineare è un tipo di modello di regressione che genera un valore continuo da una combinazione lineare di caratteristiche di input. La colonna body_mass_g è la colonna dell'etichetta di input. Per i modelli di regressione lineare, la colonna dell'etichetta deve avere valori reali (i valori della colonna devono essere numeri reali).
L'istruzione SELECT di questa query utilizza tutte le colonne della tabella bigquery-public-data.ml_datasets.penguins. Questa tabella contiene le seguenti colonne che verranno tutte utilizzate per prevedere il peso di un pinguino:
species: specie del pinguino (STRING)island: isola su cui vive il pinguino (STRING)culmen_length_mm: lunghezza del culmen in millimetri (FLOAT64)culmen_depth_mm: profondità del culmen in millimetri (FLOAT64)flipper_length_mm: lunghezza delle pinne in millimetri (FLOAT64)sex: il sesso del pinguino (STRING)La clausola FROM, bigquery-public-data.ml_datasets.penguins, indica che stai eseguendo query sulla tabella penguins nel set di dati ml_datasets. Questo set di dati si trova nel progetto bigquery-public-data.
La clausola WHERE, WHERE body_mass_g IS NOT NULL, esclude le righe in cui body_mass_g è NULL.
Per eseguire la query CREATE MODEL in modo da creare e addestrare il modello:
Nella console Cloud, fai clic su Crea nuova query.
Nell'area di testo Editor query, immetti la seguente query SQL standard:
Il completamento della query richiede circa 30 secondi, dopodiché il tuo modello (penguins_model) verrà visualizzato nel pannello di navigazione. Poiché la query utilizza un'istruzione CREATE MODEL per creare una tabella, non vengono visualizzati i risultati della query.
Per visualizzare i risultati dell'addestramento del modello, puoi utilizzare la funzione ML.TRAINING_INFO, altrimenti puoi visualizzare le statistiche nella console Cloud. In questo tutorial utilizzi la console Cloud.
Un algoritmo di machine learning crea un modello esaminando molti esempi e tentando di trovare un modello che minimizzi la perdita. Questo processo è noto come minimizzazione empirica del rischio.
La perdita è la penalità per una previsione errata: un numero che indica quanto fosse negativa la previsione del modello su un singolo esempio. Se la previsione del modello è perfetta, la perdita è zero; in caso contrario, la perdita è maggiore. L'obiettivo dell'addestramento di un modello è trovare un insieme di ponderazioni e bias che presentino, in media, una perdita lieve in tutti gli esempi.
Per visualizzare le statistiche di addestramento del modello generate durante l'esecuzione della query CREATE MODEL:
Nel pannello di navigazione della console Cloud, nella sezione Explorer, espandi [PROJECT_ID] > bqml_tutorial > Models (1), quindi fai clic su penguins_model.
Fai clic sulla scheda Addestramento e quindi su Tabella. I risultati dovrebbero essere simili ai seguenti:
La colonna Perdita di dati di addestramento rappresenta la metrica relativa alla perdita calcolata dopo che il modello è stato addestrato sul set di dati di addestramento. Poiché hai eseguito una regressione lineare, questa colonna rappresenta l'errore quadratico medio.
Per questo addestramento viene utilizzata automaticamente una strategia di ottimizzazione "normal_equation", pertanto è necessaria una sola iterazione per convergere al modello finale. Per maggiori dettagli sull'opzione optimize_strategy, fai riferimento all'istruzione CREATE MODEL per i modelli lineari generalizzati.
Per maggiori dettagli sulla funzione ML.TRAINING_INFO e sull'opzione di addestramento "optimize_strategy", vedi il riferimento per la sintassi di BigQuery ML.
Dopo aver creato il tuo modello, valuterai le prestazioni del modello utilizzando la funzione ML.EVALUATE. La funzione ML.EVALUATE valuta i valori previsti rispetto ai dati effettivi.
SELECT recupera le colonne dal modello.FROM utilizza la funzione ML.EVALUATE rispetto al tuo modello: bqml_tutorial.penguins_model.SELECT e la clausola FROM nidificate di questa query sono le stesse della query CREATE MODEL.WHERE, WHERE body_mass_g IS NOT NULL, esclude le righe in cui body_mass_g è NULL.Una valutazione corretta andrebbe eseguita su un sottoinsieme della tabella penguins separato dai dati utilizzati per addestrare il modello. Puoi possibile chiamare ML.EVALUATE senza fornire dati di input. ML.EVALUATE recupererà le metriche di valutazione calcolate durante l'addestramento, che utilizza il set di dati di valutazione riservato automaticamente:
Puoi anche utilizzare la console Cloud per visualizzare le metriche di valutazione calcolate durante l'addestramento. I risultati dovrebbero essere simili ai seguenti:
Per eseguire la query ML.EVALUATE che valuta il modello:
Nella console Cloud, fai clic su Crea nuova query.
Nell'area di testo Editor query, immetti la seguente query SQL standard:
(Facoltativo) Per impostare la località dei dati, fai clic su Altro > Impostazioni query. Per Località dei dati, seleziona USA (più regioni negli Stati Uniti).
Fai clic su Esegui.
Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. I risultati dovrebbero essere simili ai seguenti:
Poiché hai eseguito una regressione lineare, i risultati includono le seguenti colonne:
mean_absolute_errormean_squared_errormean_squared_log_errormedian_absolute_errorr2_scoreexplained_varianceUna metrica importante nei risultati della valutazione è il coefficiente R2. Il coefficiente R2 è una misura statistica che determina se le previsioni della regressione lineare si avvicinano ai dati effettivi. 0 indica che il modello non spiega nessuna delle variabilità dei dati di risposta attorno alla media. 1 indica che il modello spiega tutte le variabilità dei dati di risposta attorno alla media.
Ora che hai valutato il modello, il passaggio successivo consiste nell'utilizzarlo per prevedere un risultato. Utilizzerai il tuo modello per prevedere la massa corporea in grammi di tutti i pinguini che vivono sull'isola di Biscoe.
La prima istruzione SELECT recupera la colonna predicted_body_mass_g insieme alle colonne in bigquery-public-data.ml_datasets.penguins. Questa colonna viene generata dalla funzione ML.PREDICT. Quando utilizzi la funzione ML.PREDICT, il nome della colonna di output per il modello è predicted_<label_column_name>. Per i modelli di regressione lineare, predicted_label è il valore stimato di label. Per i modelli di regressione logistica, predicted_label è una delle due etichette di input a seconda di quale etichetta ha la probabilità prevista più elevata.
ML.PREDICT viene utilizzata per prevedere i risultati mediante il modello bqml_tutorial.penguins_model.SELECT e la clausola FROM nidificate di questa query sono le stesse della query CREATE MODEL.WHERE, WHERE island = "Biscoe", indica che stai limitando la previsione all'isola di Biscoe.Per eseguire la query che utilizza il modello per prevedere un risultato:
Nella console Cloud, fai clic su Crea nuova query.
Nell'area di testo Editor query, immetti la seguente query SQL standard:
(Facoltativo) Per impostare la località dei dati, fai clic su Altro > Impostazioni query. Per Località dei dati, seleziona USA (più regioni negli Stati Uniti).
Fai clic su Esegui.
Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. I risultati dovrebbero essere simili ai seguenti:
Per capire perché il tuo modello sta generando questi risultati di previsione, puoi utilizzare la funzione ML.EXPLAIN_PREDICT.
ML.EXPLAIN_PREDICT è una versione estesa di ML.PREDICT. ML.EXPLAIN_PREDICT restituisce i risultati della previsione con colonne aggiuntive che ne spiegano il significato.
Puoi eseguire ML.EXPLAIN_PREDICT senza ML.PREDICT. Per una spiegazione approfondita dei valori di Shapley e dell'IA spiegabile in BigQuery ML, consulta Panoramica di BigQuery Explainable AI.
Per eseguire la query ML.EXPLAIN_PREDICT che spiega il modello:
Nella console Cloud, fai clic su Crea nuova query.
Nell'area di testo Editor query, immetti la seguente query SQL standard:
Fai clic su Esegui.
Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. I risultati dovrebbero essere simili ai seguenti:
Per i modelli di regressione lineare, vengono utilizzati i valori di Shapley per generare valori di attribuzione di caratteristiche per ogni caratteristica nel modello. ML.EXPLAIN_PREDICT restituisce le prime 3 attribuzioni di caratteristiche per riga della tabella fornita perché top_k_features è stato impostato su 3 nella query.
Queste attribuzioni sono ordinate in base al valore assoluto dell'attribuzione in ordine decrescente. In tutti gli esempi, la caratteristica sex ha contribuito maggiormente alla previsione complessiva. Per spiegazioni dettagliate sulle colonne di output della query ML.EXPLAIN_PREDICT, consulta la documentazione sulla sintassi ML.EXPLAIN_PREDICT.
Per sapere quali caratteristiche sono le più importanti per determinare i pesi dei pinguini in generale, puoi utilizzare la funzione ML.GLOBAL_EXPLAIN. Per utilizzare ML.GLOBAL_EXPLAIN, il modello deve essere riaddestrato con l'opzione ENABLE_GLOBAL_EXPLAIN=TRUE.
Per eseguire la query ML.GLOBAL_EXPLAIN:
Nella console Cloud, fai clic su Crea nuova query.
Nell'area di testo Editor query, immetti la seguente query SQL standard:
(Facoltativo) Per impostare la località dei dati, fai clic su Altro > Impostazioni query. Per Località dei dati, seleziona USA (più regioni negli Stati Uniti).
Fai clic su Esegui.
Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. I risultati dovrebbero essere simili ai seguenti:
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.
L'eliminazione del progetto rimuove tutti i set di dati e tutte le tabelle nel progetto. Se preferisci riutilizzare il progetto, puoi eliminare il set di dati creato in questo tutorial:
Se necessario, apri la pagina BigQuery nella console Cloud.
Nel riquadro Explorer, fai clic su Visualizza azioni (
Fai clic su Elimina.
Nella finestra di dialogo Elimina set di dati, per confermare il comando, digita delete e fai clic su Elimina.
Per eliminare il progetto:
Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
Nella finestra di dialogo, digita l'ID progetto, quindi fai clic su Chiudi per eliminare il progetto.
Hai imparato a:
CREATE MODEL con BigQuery ML.ML.EVALUATE.ML.PREDICT.Per saperne di più sul machine learning, consulta Machine Learning Crash Course.
Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
Per scoprire di più su come usare la console Cloud, consulta Utilizzo della console Cloud.
Una volta completato il lab, fai clic su Termina lab. Qwiklabs rimuove le risorse che hai utilizzato ed esegue la pulizia dell'account.
Avrai la possibilità di inserire una valutazione in merito alla tua esperienza. Seleziona il numero di stelle applicabile, inserisci un commento, quindi fai clic su Invia.
Il numero di stelle corrisponde alle seguenti valutazioni:
Se non vuoi lasciare un feedback, chiudi la finestra di dialogo.
Per feedback, suggerimenti o correzioni, utilizza la scheda Assistenza.
Copyright 2026 Google LLC Tutti i diritti riservati. Google e il logo Google sono marchi di Google LLC. Tutti gli altri nomi di società e prodotti sono marchi delle rispettive società a cui sono associati.
Questi contenuti non sono al momento disponibili
Ti invieremo una notifica via email quando sarà disponibile
Bene.
Ti contatteremo via email non appena sarà disponibile
Un lab alla volta
Conferma per terminare tutti i lab esistenti e iniziare questo