Vertex AI 提供簡單的程序和介面，讓您使用表格資料執行機器學習。您可以針對表格資料問題建立下列模型類型：
- 二元分類模型可預測二元結果 (兩個類別之一)。這個模型類型可用於是非題，舉例來說，您可能想建構二元分類模型，預測顧客是否會購買訂閱方案。一般來說，二元分類問題需要的資料量少於其他模型類型。
- 多元分類模型可從三個以上的分離類別預測一個類別。使用此模型類型進行分類。舉例來說，零售商可能想建構多元分類模型，將顧客區分為不同人物角色。
- 「迴歸」模型可預測連續值。舉例來說，零售商可能會想建構迴歸模型，預測顧客下個月的消費金額。
- 預測模型可預測一系列值。舉例來說，零售商可能想預測未來 3 個月的每日產品需求，以便提前適當備貨。
如要瞭解如何使用表格資料進行機器學習，請參閱表格資料簡介。如要進一步瞭解 Vertex AI 解決方案，請參閱「Vertex AI 解決方案：分類和迴歸」和「Vertex AI 解決方案：預測」。
公平性注意事項
Google 致力於遵循負責任的 AI 做法，並持續進步。為此，我們的機器學習產品 (包括 AutoML) 都是以核心原則為基礎設計，例如公平性和以人為本的機器學習。如要進一步瞭解建構自有 ML 系統時，如何採取最佳做法來減輕偏誤，請參閱「包容性機器學習指南 - AutoML」。
適用於分類和迴歸的 Vertex AI 解決方案
Vertex AI 提供下列分類和迴歸解決方案：
端對端 AutoML 的表格工作流程
端對端 AutoML 的表格工作流程是完整的 AutoML 管道，適用於分類和迴歸工作。這項 API 與 AutoML API 類似，但可讓您選擇要控制及自動執行的項目。您不必控管整個管道，而是控管管道中的每個步驟。這些管道控制項包括：
- 資料分割
- 特徵工程
- 架構搜尋
- 模型訓練
- 模型組合
- 模型蒸餾
優點
- 支援大小達數 TB 且最多有 1,000 欄的大型資料集。
- 您可以限制架構類型搜尋空間或略過架構搜尋，提升穩定性並縮短訓練時間。
- 手動選取用於訓練和架構搜尋的硬體，提升訓練速度。
- 您可以透過蒸餾或變更模型組合大小，縮減模型大小並改善延遲時間。
- 您可以在功能強大的管道圖表介面中檢查每個 AutoML 元件，查看轉換後的資料表、評估的模型架構，以及更多詳細資料。
- 每個 AutoML 元件都具備更高的彈性和透明度，例如可自訂參數和硬體、查看程序狀態和記錄等。
如要進一步瞭解 Tabular Workflows，請參閱 Vertex AI 上的 Tabular Workflows。 如要進一步瞭解端對端 AutoML 的表格式工作流程，請參閱「端對端 AutoML 的表格式工作流程」。
TabNet 適用的 Tabular Workflow
TabNet 適用的 Tabular Workflow 是一項 pipeline，可用於訓練分類或迴歸模型。TabNet 會運用順序注意力，選擇每個決策步驟要以哪些特徵進行推論。這有助於解讀結果，並提高學習效率，因為學習容量會用於最顯著的特徵。
優點
- 根據資料集大小、推論類型和訓練預算，自動選取適當的超參數搜尋空間。
- 與 Vertex AI 整合。訓練好的模型是 Vertex AI 模型。您可以立即執行批次推論，或部署模型以進行線上推論。
- 提供模型固有的可解釋性。您可以深入瞭解 TabNet 用來做出決策的特徵。
- 支援 GPU 訓練。
如要進一步瞭解 Tabular Workflows，請參閱 Vertex AI 上的 Tabular Workflows。 如要進一步瞭解 TabNet 適用的 Tabular Workflow，請參閱「TabNet 適用的 Tabular Workflow」。
廣度和深度學習適用的 Tabular Workflow
廣度和深度學習適用的 Tabular Workflow 是一種 pipeline，可用於訓練分類或迴歸模型。廣度和深度會一同訓練廣度線性模型和深層類神經網路，兼具記憶和一般化的能力。在某些線上實驗中，結果顯示與僅限廣泛和僅限深入模型相比，Wide & Deep 可大幅增加 Google 商店應用程式的獲客數。
優點
- 與 Vertex AI 整合。訓練好的模型是 Vertex AI 模型。您可以立即執行批次推論，或部署模型以進行線上推論。
如要進一步瞭解 Tabular Workflows，請參閱 Vertex AI 上的 Tabular Workflows。 如要進一步瞭解廣度和深度學習適用的 Tabular Workflow，請參閱廣度和深度學習適用的 Tabular Workflow。
使用 AutoML 進行分類和迴歸
Vertex AI 提供整合式全代管管道，可執行端對端分類或迴歸工作。Vertex AI 會搜尋最佳超參數組合，使用多組超參數訓練多個模型，然後從頂尖模型組合建立單一最終模型。Vertex AI 會將類神經網路和提升樹狀結構視為模型類型。
優點
- 簡單易用：Vertex AI 會為您選擇模型類型、模型參數和硬體。
詳情請參閱「分類和迴歸總覽」。
Vertex AI 預測解決方案
Vertex AI 提供下列預測解決方案：
表格預測工作流程
表格預測工作流程是預測工作的完整管道。這項 API 與 AutoML API 類似，但可讓您選擇要控制及自動執行的項目。您不必控管整個管道，而是控管管道中的每個步驟。這些管道控制項包括：
- 資料分割
- 特徵工程
- 架構搜尋
- 模型訓練
- 模型組合
優點
- 支援大型資料集，大小上限為 1 TB，最多可有 200 個資料欄。
- 您可以限制架構類型的搜尋空間或略過架構搜尋，提升穩定性並縮短訓練時間。
- 可手動選取用於訓練和架構搜尋的硬體，提升訓練速度。
- 您可以變更集合大小，縮減模型大小並縮短延遲時間。
- 您可以在功能強大的管道圖介面中檢查每個元件，查看轉換後的資料表、評估的模型架構和許多其他詳細資料。
- 每個元件都能獲得更大的彈性和透明度，例如自訂參數、硬體、查看程序狀態、記錄等。
如要進一步瞭解 Tabular Workflows，請參閱 Vertex AI 上的 Tabular Workflows。 如要進一步瞭解表格預測工作流程，請參閱「表格預測工作流程」。
使用 AutoML 進行預測
Vertex AI 提供整合式全代管管道，可執行端對端預測工作。Vertex AI 會搜尋最佳超參數組合，使用多組超參數訓練多個模型，然後從頂尖模型組合建立單一最終模型。您可以選擇時間序列密集編碼器 (TiDE)、時間融合轉換器 (TFT)、AutoML (L2L) 和 Seq2Seq+ 做為模型訓練方法。Vertex AI 只會將類神經網路視為模型類型。
優點
- 簡單易用：Vertex AI 會為您選擇模型參數和硬體。
詳情請參閱「預測總覽」。
使用 BigQuery ML ARIMA_PLUS 進行預測
BigQuery ML ARIMA_PLUS 是單變數預測模型。做為統計模型，訓練速度比以類神經網路為基礎的模型更快。如果您需要快速反覆訓練模型，或是需要便宜的基準來評估其他模型，建議訓練 BigQuery ML ARIMA_PLUS 模型。
與 Prophet 類似，BigQuery ML ARIMA_PLUS 會嘗試將每個時間序列分解為趨勢、季節和節慶，並使用這些模型推論結果的匯總資料產生預測。不過，兩者有許多差異，其中之一是 BQML ARIMA+ 會使用 ARIMA 建立趨勢元件模型，而 Prophet 則會嘗試使用分段邏輯或線性模型來擬合曲線。
Google Cloud 提供訓練 BigQuery ML ARIMA_PLUS 模型的管道，以及從 BigQuery ML ARIMA_PLUS 模型取得批次推論結果的管道。這兩個管道都是 Google Cloud Pipeline Components (GCPC) 的 Vertex AI Pipelines 執行個體。
優點
- 簡單易用：BigQuery 會為您選擇模型參數和硬體。
- 快速：模型訓練可提供低成本的基準，用來比較其他模型。
詳情請參閱「使用 ARIMA+ 進行預測」。
使用 Prophet 進行預測
Prophet 是 Meta 維護的預測模型。如要瞭解演算法詳情，請參閱 Prophet 論文，如要進一步瞭解程式庫，請參閱說明文件。
與 BigQuery ML ARIMA_PLUS 類似，Prophet 會嘗試將每個時間序列分解為趨勢、季節和節慶，並使用這些模型推論的匯總結果產生預測。不過，BQML ARIMA+ 是使用 ARIMA 建立趨勢元件模型，而 Prophet 則嘗試使用分段式羅吉斯迴歸或線性模型來擬合曲線，這是兩者之間的重要差異。
Google Cloud 提供訓練 Prophet 模型的管道，以及從 Prophet 模型取得批次推論結果的管道。這兩個管道都是 Google Cloud Pipeline Components (GCPC) 的 Vertex AI Pipelines 執行個體。
將 Prophet 與 Vertex AI 整合後，您就能執行下列操作：
- 使用 Vertex AI 資料分割和視窗策略。
- 從 BigQuery 資料表或儲存在 Cloud Storage 的 CSV 檔案讀取資料。Vertex AI 預期每個資料列的格式都與 Vertex AI Forecasting 相同。
雖然 Prophet 是多元模型，但 Vertex AI 僅支援單元版本。
優點
- 彈性：您可以選取用於訓練的硬體，提升訓練速度
詳情請參閱「使用 Prophet 進行預測」。
後續步驟
- 瞭解如何使用表格資料進行機器學習。
- 瞭解如何使用 AutoML 進行分類和迴歸。
- 瞭解如何使用 AutoML 進行預測。
- 瞭解如何使用 Prophet 進行預測。
- 瞭解如何使用 BigQuery ML ARIMA_PLUS 進行預測。
- 瞭解表格工作流程。