Loading...
No results found.
This lab may incorporate AI tools to support your learning.
This content is not yet optimized for mobile devices.
For the best experience, please visit us on a desktop computer using a link sent by email.

總覽

在本實驗室中，您會使用 Gemini Enterprise Agent Platform，搭配表格資料集訓練及提供機器學習模型，預測貸款風險。

目標

您會學到下列內容：

  • 將資料集上傳至 Agent Platform。
  • 使用 AutoML 訓練機器學習模型。
  • 評估模型成效。
  • 將模型部署到端點。
  • 取得預測結果。

設定

實驗室活動啟動須知

注意事項：請詳閱下列操作說明。

實驗室活動會計時，中途無法暫停。點選「Start Lab」後就會開始計時，並顯示可使用 Google Cloud 資源的時間。

您會在實際雲端環境完成 Google Skills 實作實驗室活動，而非模擬或示範環境，因此您會取得新的臨時憑證，可以在實驗室活動期間登入及使用 Google Cloud。

需求條件

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)。
  • 已預留充足時間可完成實驗室。
注意：如果您擁有個人 Google Cloud 或專案，請勿用於本實驗室。 注意：如果您使用的是 Pixelbook，請在無痕視窗執行本實驗室。

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。「導覽選單」圖示和搜尋欄位

Agent Platform 簡介

這個實驗室使用 Google Cloud 中的統合式 AI 平台 Gemini Enterprise Agent Platform，訓練及部署機器學習模型。Agent Platform 在單一平台上提供兩種建構機器學習模型的選項：一種是使用 AutoML 的無程式碼解決方案；另一種是使用 Agent Platform Workbench 自訂訓練，以程式碼為基礎的解決方案。這個實驗室使用的是 AutoML。

在這個實驗室中，您會建構一個機器學習模型，以評估特定客戶是否會償還貸款。

工作 1：準備訓練資料

一開始，Agent Platform 資訊主頁會說明訓練及部署機器學習模型的幾個主要階段：準備訓練資料、訓練模型，以及取得預測結果。稍後，資訊主頁會顯示您近期的活動，例如近期的資料集、模型、預測結果、端點，以及筆記本執行個體。

建立資料集

  1. 前往 Google Cloud 控制台，依序點選「導覽選單」>「Agent Platform」>「模型」>「資料集」。
  2. 點選「+ 建立」。
  3. 將資料集命名為 LoanRisk。
  4. 在「選取資料類型和目標」部分，點選「表格」，然後選取「迴歸或分類」。
  5. 點選「建立」。

上傳資料

有三種方式可將資料匯入 Agent Platform：

  • 透過電腦上傳 CSV 檔案。
  • 選取 Cloud Storage 中的 CSV 檔案。
  • 選取 BigQuery 中的資料表或 view。

為方便作業，資料集已預先上傳至 Cloud Storage。

  1. 在資料來源部分，選擇「選取 Cloud Storage 中的 CSV 檔案」。

  2. 在「匯入檔案路徑」部分，輸入：

cloud-training/CBL455/LoanRisk.csv
  1. 點選「繼續」。
注意：您也可以點選左選單中的「資料集」，在「資料集」頁面中選取資料集名稱，即可在這個頁面上完成此設定。

(非必要) 產生統計資料

  1. 如要查看資料集中各資料欄的描述性統計資料，請點選「產生統計資料」。
    如果是第一次操作，產生統計資料可能需要花幾分鐘的時間。

  2. 統計資料準備就緒後，點選各資料欄名稱，即可顯示分析圖表。

工作 2：訓練模型

上傳資料集後，就能開始訓練模型，預測客戶是否會償還貸款。

  • 點按「訓練新的模型」，然後選擇「其他」。

訓練方法

  1. 資料夾已命名為 LoanRisk。

  2. 在「目標」部分，選取「分類」。

這裡之所以選取「分類」，而不是「迴歸」，是因為要預測的是不同的數字 (客戶是否會償還貸款：0 表示會償還，1 表示預設/不會償還)，而不是連續的數字。

  1. 點選「繼續」。

模型詳細資料

指定模型名稱和目標資料欄。

  1. 為模型命名，例如 LoanRisk。

  2. 在「目標資料欄」部分，選取「預設」。

  3. (非必要) 探索「進階選項」，確定如何指派訓練和測試資料，並指定加密方式。

  4. 點選「繼續」。

訓練選項

指定要將哪些資料欄納入訓練模型中。例如，ClientID 可能與預測貸款風險不相關。

  1. 點選「ClientID」資料列中的核取方塊，將其從訓練模型中排除。

  2. (非必要) 探索「進階選項」，選取不同的最佳化目標。
    如要進一步瞭解 AutoML 表格型模型的最佳化目標，請參閱 AutoML 表格型模型的最佳化目標指南。

  3. 點選「繼續」。

運算與定價

  1. 在「預算」部分，也就是訓練的節點時數，輸入 1。
    1 個運算時數的 AutoML 模型訓練通常是不錯的起點，有助於瞭解所選的特徵和標籤是否有關聯性。您可以據此修改特徵，並增加訓練時間來改善模型成效。

  2. 「提早中止訓練」應維持「啟用」。

  3. 點選「開始訓練」。

視資料大小和訓練方法而定，訓練所需時間可能從幾分鐘到幾小時不等。通常在訓練工作完成時，您會收到 Google Cloud 傳送的電子郵件通知。不過，如果是在 Google Skills 環境，您將不會收到電子郵件通知。

注意：訓練模型通常需要一小時，如想省下這段時間，請下載工作 5 中已預先訓練的模型。這個模型是「工作 1」和「工作 2」訓練出來的結果。「工作 3」和「工作 4」僅供示範，適用於您自行訓練模型的情況。

工作 3：評估模型成效 (僅供示範)

Agent Platform 提供多項模型成效評估指標，您會著重於其中三項指標：

  • 精確度與召回率曲線
  • 混淆矩陣
  • 特徵重要性
注意：如果已有訓練好的模型，可以直接前往 Agent Platform 中的「Model Registry」分頁。

1. 前往「Model Registry」。

2. 點選剛剛訓練的模型。

3. 瀏覽「評估」分頁。

不過在這個實驗室中，您可以略過這個步驟，因為您使用的是預先訓練模型。

精確度與召回率曲線

可信度門檻滑桿設為 0.5，以及精確度與召回率曲線、ROC 曲線和不同門檻的精確度與召回度等圖形

可信度門檻會決定機器學習模型如何計算陽性案例數。較高的門檻會提高精確度，但降低召回率。較低的門檻會降低精確度，但提高召回率。

您可以手動調整門檻，觀察對精確度與召回率有何影響，並根據業務需求，找出兩者之間的最佳取捨點。

混淆矩陣

混淆矩陣會告訴您在測試集的「各個類別」中，模型正確預測結果的樣本百分比。

顯示實際標籤和預測標籤分類的混淆矩陣表格

混淆矩陣顯示初始模型能正確預測測試集中 100% 的償還樣本，87% 的預設樣本，成效還不錯。

您可以加入更多樣本 (更多資料)、提供新特徵，以及變更訓練方法等，提高正確預測的百分比。

特徵重要性

在 Agent Platform 中，特徵重要性會透過長條圖顯示，具體呈現各項特徵對預測結果的貢獻度。與特徵相關聯的長條愈長或數值愈大，表示重要性愈高。

貸款、收入和年齡的特徵重要性長條圖

您可以使用這些特徵重要性的值，改善模型及提高預測結果的可信度。您可以選擇在下次訓練模型時，移除重要性最低的特徵，或將兩個重要性較高的特徵合併為一個交錯組合特徵，看看是否能提升模型成效。

Agent Platform 全方位機器學習功能稱為可解釋 AI，而特徵重要性只是此功能的應用範例之一。可解釋 AI 是一組工具和架構，可協助您理解及詮釋由機器學習模型產生的預測結果。

工作 4：部署模型 (僅供示範)

注意：由於模型訓練可能需要一個小時才能完成，您目前不會將模型部署到端點。您可以在這裡查看在正式環境執行的步驟。

現在您已將模型訓練完成，下一步就是在 Agent Platform 建立端點。Agent Platform 中的模型資源可能有多個相關聯的端點，您可以將流量拆分至各個端點。

建立及定義端點

  1. 在模型頁面中點選「部署及測試」，按一下「部署至端點」。

  2. 在「端點名稱」部分，輸入 LoanRisk。

  3. 點選「繼續」。

模型設定及監控

  1. 流量拆分設定維持不變。

  2. 「機型」請選取「e2-standard-8, 8 vCPUs, 32 GiB memory」。

  3. 「可解釋性選項」請點選「特徵歸因」。

  4. 點選「完成」。

  5. 點選「繼續」。

  6. 在「模型監控」中，點選「繼續」。

  7. 在「模型目標」>「訓練資料來源」中，選取「Agent Platform 資料集」。

  8. 從下拉式選單選取資料集。

  9. 在「目標資料欄」中，輸入 Default。

  10. 其他設定維持不變，點選「部署」。

端點會在幾分鐘內部署完畢。完成部署後，名稱旁會顯示綠色勾號圖示。

現在，您可以從部署的模型取得預測結果了。

工作 5：取得預測結果

在這一節中，您會利用 AutoML-Gateway 使用經過訓練的現有模型。

環境變數 值
Credit_Risk 端點 1411183591831896064
INPUT_DATA_FILE INPUT-JSON

如要使用訓練好的模型，請建立一些環境變數。

  1. 開啟 Cloud Shell 視窗。

  2. 下載實驗室資產：

gcloud storage cp gs://cloud-training/CBL455/INPUT-JSON .
  1. 建立 INPUT_DATA_FILE 環境變數：
export INPUT_DATA_FILE="INPUT-JSON"
  1. 建立 PROJECT_NUMBER 環境變數：
export PROJECT_NUMBER=$(gcloud projects describe $(gcloud config get-value project) --format="value(projectNumber)")
  1. 建立 AUTOML_SERVICE 環境變數：
export AUTOML_SERVICE="https://automl-proxy-$PROJECT_NUMBER.us-central1.run.app/v1" 注意：擷取實驗室資產後，請花一點時間檢查內容。

INPUT-JSON 檔案用於提供 Agent Platform 必需的模型資料。修改這個檔案即可產生自訂預測結果。

INPUT-JSON 檔案含有下列值：

{ "instances": [ { "age": 40.77430558, "ClientID": "997", "income": 44964.0106, "loan": 3944.219318 } ] }
  1. 如想要求模型提供預測結果，請輸入下列指令：
curl -X POST -H "Content-Type: application/json" $AUTOML_SERVICE -d "@${INPUT_DATA_FILE}" -s | jq

預期輸出內容：

{ "predictions": [ { "scores": [ 0.9999980926513672, 0.000001897001311590429 ], "classes": [ "0", "1" ] } ], "deployedModelId": "3093594712003575808", "model": "projects/1030115194620/locations/us-central1/models/4831874217005809664", "modelDisplayName": "credit_risk_20211119212817", "modelVersionId": "1" }

如果您使用的是 Google Cloud 控制台，下圖展示了如何執行相同的動作：

預測步驟會在相關各節中醒目顯示

恭喜！

您現在可以使用 Agent Platform 執行下列作業：

  • 上傳資料集。
  • 使用 AutoML 訓練模型。
  • 評估模型成效。
  • 將訓練好的 AutoML 模型部署至端點。
  • 取得預測結果。

如要進一步瞭解 Agent Platform 的其他部分，請參閱 Agent Platform 說明文件。

關閉研究室

如果您已完成實驗室，請點選「End Lab」。Google Skills 會清除您使用的資源和帳戶。

您可以為實驗室的使用體驗評分。請選取合適的星級評等並提供意見，然後按一下「Submit」。

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」分頁提交。

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。

Before you begin

  1. Labs create a Google Cloud project and resources for a fixed time
  2. Labs have a time limit and no pause feature. If you end the lab, you'll have to restart from the beginning.
  3. On the top left of your screen, click Start lab to begin

Use private browsing

  1. Copy the provided Username and Password for the lab
  2. Click Open console in private mode

Sign in to the Console

  1. Sign in using your lab credentials. Using other credentials might cause errors or incur charges.
  2. Accept the terms, and skip the recovery resource page
  3. Don't click End lab unless you've finished the lab or want to restart it, as it will clear your work and remove the project

This content is not currently available

We can notify you via email when it becomes available

Great!

We can contact you via email if it becomes available

One lab at a time

Confirm to end all existing labs and start this one

Use private browsing to run the lab

Using an Incognito or private browser window is the best way to run this lab. This prevents any conflicts between your personal account and the Student account, which may cause extra charges incurred to your personal account.