SQL ön işleme ile bir BigQuery ML modeli eğiteceksiniz ancak tahminleri ham, dönüştürülmemiş girdi üzerinde çalıştıracaksınız. Tahmin zamanında veri çarpıklığını (data skew) önlemek için eğitim ve tahmini nasıl yapılandırmalısınız?

BigQuery ML'in TRANSFORM yan tümcesi, eğitim sırasında uygulanan ön işleme adımlarını modelin içine gömer. Bu, tahmin zamanında ML.PREDICT (soruda yanlışlıkla ML.EVALUATE olarak belirtilmiş, ancak bağlam tahmin içindir) kullanılırken, modelin ham girdi verilerini otomatik olarak eğitimde uyguladığı dönüşümlerle işlemesini sağlar. Bu yaklaşım, eğitim ve tahmin arasında veri çarpıklığını (data skew) önler çünkü aynı dönüşüm mantığı her iki aşamada da tutarlı bir şekilde uygulanır. Diğer seçenekler hatalıdır çünkü: İkinci seçenek, tahmin öncesi manuel bir dönüşüm adımı gerektirir, bu da tutarsızlık riskini artırır ve TRANSFORM'un faydasını ortadan kaldırır. Üçüncü seçenek, ön işlemeyi modelin içine gömmez, bu da tahmin sırasında manuel dönüşüm ihtiyacına veya veri çarpıklığına yol açar. Dördüncü seçenek, Dataflow gibi harici bir aracı kullanır, bu da BigQuery ML'in entegre ön işleme yeteneklerini kullanmaz ve ek karmaşıklık getirir.