Sie trainieren ein BigQuery ML-Modell mit SQL-Vorverarbeitung, führen aber Vorhersagen mit rohen, unveränderten Eingaben durch. Wie sollten Sie Training und Vorhersage strukturieren, um Daten-Skew zur Vorhersagezeit zu vermeiden?

Die TRANSFORM-Klausel in BigQuery ML ist die korrekte Methode, um Daten-Skew zwischen Training und Vorhersage zu vermeiden. Sie bettet die Vorverarbeitungslogik direkt in das Modell ein. Wenn Sie dann ML.PREDICT (nicht ML.EVALUATE für Vorhersagen) aufrufen, wendet das Modell diese intern gespeicherten Transformationen automatisch auf die rohen Eingabedaten an, bevor es die Vorhersage trifft. Dies gewährleistet Konsistenz. Die anderen Optionen erfordern manuelle Vorverarbeitungsschritte vor der Vorhersage, was fehleranfällig ist und zu Inkonsistenzen führen kann, wenn die Vorverarbeitungslogik nicht exakt mit der des Trainings übereinstimmt.