🔍 BigQueryMlでハイパラチューニング

|| BigQueryMlでハイパラチューニング

| ハイパーパラメーターのチューニング

• （前）チューニング

  create or repalce model taxi.TOTAL_AMOUNT_MODEL
  options (
  model_type='linear_reg'               -- 線形回帰 
  , input_label_cols = ['total_amount'] -- ラベル名
  ) as
  select * from `taxi.sample_data`;

• （後）チューニング

  create or repalce model taxi.TOTAL_AMOUNT_MODEL
  options (
  model_type='linear_reg'               -- 線形回帰 
  , input_label_cols = ['total_amount'] -- ラベル名
  , num_trials = 10
  , hparam_tuning_objectives = ['mean_squared_error'] -- 平均二乗誤差(評価指標)
  , max_parallel_trials = 5
  , enable_global_explain = TRUE -- 特徴量寄与度を確認の為（Explainable AI機能を用いる場合）
  ) as
  select * from `taxi.sample_data`;

| なんでこんなことするの？

推論の制度が向上するから。（予測精度を上げるため。）

| やみくもに足せばいいのか？

cf. Hyperparameters and Objectives – Hyperparameter tuning for CREATE MODEL statements - GoogleCloud

| チューニングしたことで幸せなことが

●モデルの評価のしやすさ

ML.TRIAL_INFOを利用することで、学習時のトライアル結果の詳細を確認することが出来る。 （「is_optimal」列を確認すると、何回目のトライアルが最適なのか知れる。）

-- 何回目のトライアルがよき？
select * from ml.trall_info(model `taxi.TOTAL_AMOUNT_MODEL`);

cf. The ML.TRAINING_INFO function - GoogleCloud

●BigQuery Explainable AI 使える

enable_global_explain パラメータを TRUE にしていた場合、「BigQuery Explainable AI」が使える。 使うと、特徴毎の寄与度を確認することが出来る。 （ランダムフォレストのフューチャーインポータンス的なことができるのか。）

-- どの特徴量がよき？
select * from ml.global_explain(model `taxi.TOTAL_AMOUNT_MODEL`);

cf. BigQuery Explainable AI Overview - GoogleCloud

|| REFERENCE

• BigQuery MLを利用した予測モデル構築〜パラメータチューニングから評価まで〜 - DATUM STUDIO
• -