Będziesz trenować model BigQuery ML z wstępnym przetwarzaniem SQL, ale będziesz uruchamiać predykcje na surowych, nieprzetworzonych danych wejściowych. Jak należy ustrukturyzować trening i predykcje, aby uniknąć skośności danych (data skew) w czasie predykcji?

Prawidłowa odpowiedź zapobiega skośności danych (data skew) podczas predykcji, ponieważ klauzula TRANSFORM w BigQuery ML automatycznie stosuje te same kroki wstępnego przetwarzania zarówno do danych treningowych, jak i do danych predykcyjnych. Dzięki temu model widzi dane wejściowe w tym samym formacie, w jakim był trenowany, nawet jeśli dane predykcyjne są "surowe". Pozostałe opcje są nieprawidłowe, ponieważ: Ręczne transformowanie danych przed predykcją (opcja 2) wprowadza ryzyko niespójności między transformacjami treningowymi a predykcyjnymi. Użycie widoku (opcja 3) do treningu, a następnie predykcja na surowych danych, oznacza, że model będzie trenowany na danych przetworzonych, ale predykcje będą wykonywane na danych nieprzetworzonych, co prowadzi do skośności. Wstępne przetwarzanie za pomocą Dataflow (opcja 4) jest metodą zewnętrzną, która wymagałaby ponownego zastosowania tych samych transformacji do danych predykcyjnych, co nie jest automatycznie zarządzane przez BigQuery ML w kontekście ML.EVALUATE na surowych danych.