menu
arrow_back

Besucherkäufe mit einem Klassifizierungsmodell in BQML vorhersagen

Besucherkäufe mit einem Klassifizierungsmodell in BQML vorhersagen

Hours Minutes 7 Credits

GSP229

Google Cloud-Labs zum selbstbestimmten Lernen

Übersicht

BigQuery ist eine vollständig verwaltete, kostengünstige NoOps-Analysedatenbank von Google. Mit diesem Tool können Sie mehrere Terabyte an Daten abfragen und müssen dabei weder eine Infrastruktur verwalten, noch benötigen Sie einen Datenbankadministrator. BigQuery basiert auf SQL und die Abrechnung erfolgt nach dem "Pay as you go"-Modell. Mithilfe von BigQuery können Sie sich auf die Datenanalyse konzentrieren, um wichtige Informationen zu erhalten.

BigQuery Machine Learning (BQML, Betaversion) ist eine neue Funktion in BigQuery, dank derer Datenanalysten mit minimalem Programmieraufwand Modelle für maschinelles Lernen (ML) erstellen, trainieren, bewerten und für Vorhersagen verwenden können.

Nun ist ein neues E-Commerce-Dataset verfügbar, mit dem Millionen von Google Analytics-Einträgen für den Google Merchandise Store in BigQuery geladen werden. In diesem Lab führen Sie mithilfe dieser Daten einige typische Abfragen aus, die Unternehmen Aufschluss über das Kaufverhalten ihrer Kunden geben.

Ziele

Aufgaben in diesem Lab:

  • Mit BigQuery nach öffentlichen Datasets suchen

  • Das E-Commerce-Dataset erkunden und abfragen

  • Ein Trainings- und Bewertungs-Dataset zur Batchvorhersage erstellen

  • In BQML ein Klassifizierungsmodell (logistisches Regressionsmodell) erstellen

  • Die Leistung Ihres ML-Modells bewerten

  • Die Wahrscheinlichkeit, mit der ein Besucher einen Kauf tätigt, vorhersagen und einstufen

Voraussetzungen

  • Ein Google Cloud Platform-Projekt

  • Ein Browser, z B. Google Chrome oder Mozilla Firefox

Join Qwiklabs to read the rest of this lab...and more!

  • Get temporary access to the Google Cloud Console.
  • Over 200 labs from beginner to advanced levels.
  • Bite-sized so you can learn at your own pace.
Join to Start This Lab
Score

—/100

Create a new dataset

Schritt durchführen

/ 20

Create a model and specify model options

Schritt durchführen

/ 20

Evaluate classification model performance

Schritt durchführen

/ 15

Improve model performance with Feature Engineering(Create second model)

Schritt durchführen

/ 15

Improve model performance with Feature Engineering(Better predictive power)

Schritt durchführen

/ 15

Predict which new visitors will come back and purchase

Schritt durchführen

/ 15

home
Startseite
school
Katalog
menu
Mehr
Mehr