GSP944

概览

在本实验中，您将训练、调优、评估、解释一个 BigQuery ML XGBoost 模型，并使用该模型生成批量预测和在线预测。您将使用来自真实移动应用“Flood it!”（Android 应用、iOS 应用）的 Google Analytics 4 数据集，来确定用户重新使用该应用的可能性。您将使用 BigQuery ML 模型生成批量预测，将模型导出并部署到 Vertex AI，以便使用 Vertex AI Python SDK 进行在线预测。

借助 BigQuery ML，您可通过标准 SQL 查询在 BigQuery 中训练机器学习模型并使用这些模型进行批量推理，整个过程更加快速，因为您无需移动数据且代码行数更少。

Vertex AI 是 Google Cloud 的免费下一代机器学习统一开发平台。通过在 Vertex AI 上开发和部署 BigQuery ML 机器学习解决方案，您可以利用可扩缩的在线预测服务和 MLOps 工具重新训练和监控模型，从而显著提高开发效率、增强利用数据扩缩工作流和进行决策的能力，并缩短实现价值的时间。

注意：BQML 现更名为 BigQuery ML。

本实验参考了Churn prediction for game developers using Google Analytics 4 (GA4) and BigQuery ML（使用 Google Analytics 4 [GA4] 和 BigQuery ML 为游戏开发者提供用户流失预测），并对其进行了拓展。请阅读该博文及附带的教程，以便进一步了解此用例和 BigQuery ML。

在本实验中，您将进一步重点了解 Vertex AI 如何通过在线预测来扩展 BigQuery ML 的功能，使您不仅能够将客户流失预测结果整合到 Looker 信息中心等决策界面中，还能将在线预测直接整合到客户应用中，以支持实施有针对性的干预措施，比如提供定向激励等。

目标

在本实验中，您将学习如何完成以下操作：

• 在 BigQuery 中探索并预处理用于机器学习的 Google Analytics 4 数据样本。
• 训练 BigQuery ML XGBoost 分类器，以预测一款手游应用的用户流失情况。
• 使用 BigQuery ML 超参数调优功能对 BigQuery ML XGBoost 分类器进行调优。
• 评估 BigQuery ML XGBoost 分类器的性能。
• 使用 BigQuery ML Explainable AI 全局特征归因来解释您的 XGBoost 模型。
• 使用您的 BigQuery ML XGBoost 模型执行批量预测。
• 将 BigQuery ML XGBoost 模型导出至 Google Cloud Storage 存储桶中。
• 将 BigQuery ML XGBoost 模型上传并部署到 Vertex AI 预测端点以进行在线预测。

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。为此，我们会向您提供新的临时凭据，您可以在该实验的规定时间内通过此凭据登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式（推荐）或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：请仅使用学生账号完成本实验。如果您使用其他 Google Cloud 账号，则可能会向该账号收取费用。

激活 Cloud Shell

Cloud Shell 是一种装有开发者工具的虚拟机。它提供了一个永久性的 5GB 主目录，并且在 Google Cloud 上运行。Cloud Shell 提供可用于访问您的 Google Cloud 资源的命令行工具。

1. 点击 Google Cloud 控制台顶部的激活 Cloud Shell 。

2. 在弹出的窗口中执行以下操作：

   • 继续完成 Cloud Shell 信息窗口中的设置。
   • 授权 Cloud Shell 使用您的凭据进行 Google Cloud API 调用。

如果您连接成功，即表示您已通过身份验证，且项目 ID 会被设为您的 Project_ID 。输出内容中有一行说明了此会话的 Project_ID：

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud 是 Google Cloud 的命令行工具。它已预先安装在 Cloud Shell 上，且支持 Tab 自动补全功能。

3. （可选）您可以通过此命令列出活跃账号名称：

gcloud auth list

4. 点击授权。

输出：

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （可选）您可以通过此命令列出项目 ID：

gcloud config list project

输出：

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注意：如需查看在 Google Cloud 中使用 gcloud 的完整文档，请参阅 gcloud CLI 概览指南。

任务 1. 创建 Vertex AI Workbench 实例

1. 在 Google Cloud 控制台的导航菜单 () 中，选择 Vertex AI。

2. 点击启用所有推荐的 API。

3. 点击左侧的 Workbench。

4. 在 Workbench 页面顶部，确保您使用的是实例视图。

5. 点击 新建。

6. 配置实例：

   • 名称：lab-workbench
   • 区域：将区域设置为
   • 可用区：将可用区设置为
   • 高级选项（可选）：如果需要，点击“高级选项”进一步进行自定义（例如机器类型、磁盘大小）

7. 点击创建。

注意：创建实例需要几分钟的时间。创建完成后，其名称旁边将显示一个绿色对勾标记。

8. 点击实例名称旁边的打开 JupyterLab 以启动 JupyterLab 界面。系统随即会在浏览器中打开一个新标签页。

9. 点击终端图标以打开终端窗口。

终端窗口会在新标签页中打开。现在，您可以在终端中运行命令，以与 Workbench 实例进行交互。

点击检查我的进度，验证已完成以下目标： 创建 Vertex AI Workbench 实例

任务 2. 从 Cloud Storage 存储桶复制笔记本

1. 在您的笔记本中，复制以下路径。

gcloud storage cp {{{project_0.startup_script.gcs_path | "GCS PATH"}}}

点击检查我的进度，验证已完成以下目标： 从 Cloud Storage 存储桶复制笔记本

2. 打开笔记本文件 lab_exercise.ipynb。

3. 在选择内核对话框中，从可用内核列表中选择 TensorFlow 2-11。

4. 在定义常量部分，使用 更新 REGION 变量。

5. 在笔记本中继续本实验，并通过点击屏幕顶部的运行 () 图标来运行每个单元。您也可以使用 Shift + Enter 来执行单元中的代码。

阅读相关说明并确保了解每个单元中发生的情况。在完成实验笔记本的过程中，请回来查看这些说明以完成评分练习。

任务 3. 创建 BigQuery 数据集

点击检查我的进度，验证已完成以下目标： 创建 BigQuery 数据集

任务 4. 创建 BigQuery ML XGBoost 流失倾向模型

点击检查我的进度，验证已完成以下目标： 创建 BigQuery ML XGBoost 流失倾向模型

任务 5. 评估您的 BigQuery ML 模型

点击检查我的进度，验证已完成以下目标： 评估您的 BigQuery ML 模型

任务 6. 使用您的 BigQuery ML 模型执行用户流失批量预测

点击检查我的进度，验证已完成以下目标： 使用您的 BigQuery ML 模型执行用户流失批量预测

恭喜！

在本实验中，您训练、调优、解释了 BigQuery ML 用户流失模型，并将其部署到 Vertex AI 上，以生成具有重大业务影响的用户流失批量预测和在线预测，从而针对可能流失的用户采取干预措施，如游戏内奖励和提醒通知。

后续步骤/了解详情

如需详细了解 Vertex AI，请参阅 Vertex AI 文档。

Google Cloud 培训和认证

…可帮助您充分利用 Google Cloud 技术。我们的课程会讲解各项技能与最佳实践，可帮助您迅速上手使用并继续学习更深入的知识。我们提供从基础到高级的全方位培训，并有点播、直播和虚拟三种方式选择，让您可以按照自己的日程安排学习时间。各项认证可以帮助您核实并证明您在 Google Cloud 技术方面的技能与专业知识。

本手册的最后更新时间：2025 年 5 月 14 日

本实验的最后测试时间：2025 年 5 月 14 日

版权所有 2025 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。