ML-Funktionen¶
Diese leistungsfähigen Analysefunktionen liefern Ihnen unter Verwendung von Machine Learning-Modellen automatische Vorhersagen und Einblicke in Ihre Daten. Snowflake stellt für jedes Feature einen geeigneten Modelltyp zur Verfügung, sodass Sie kein Machine Learning-Experte sein müssen, um von den Vorteilen profitieren zu können. Alles, was Sie benötigen, sind Ihre Daten.
Unter diesem Thema:
Zeitreihenfunktionen¶
Diese Features trainieren ein Machine Learning-Modell für Ihre Zeitreihendaten, um zu ermitteln, wie sich eine bestimmte Kennzahl (z. B. der Umsatz) im Laufe der Zeit und im Verhältnis zu anderen Features Ihrer Daten verändert. Das Modell liefert dann Erkenntnisse oder Vorhersagen auf der Grundlage der in den Daten erkannten Trends.
Prognosen dienen der Vorhersage zukünftiger Werte von Kennzahlen anhand von Trends in historischen Zeitreihendaten.
Anomalieerkennung markiert Kennzahlenwerte, die von den typischen Erwartungen abweichen.
Andere Analysefunktionen¶
Für diese Features sind keine Zeitreihendaten erforderlich.
Bei der Klassifizierung werden Zeilen auf Grundlage ihrer aussagekräftigsten Merkmale zwei oder mehr Klassen zugeordnet.
Top Insights hilft Ihnen, Dimensionen und Werte zu finden, die die Metrik auf überraschende Weise beeinflussen.
Hinweise zu Kosten¶
Wenn Sie ML-Funktionen verwenden, entstehen Ihnen Kosten für Speicherung und Computing. Diese Kosten variieren je nach Feature und der Menge der für das Training und die Vorhersage verwendeten Daten.
Die Speicherkosten entstehen bei der Speicherung der ML-Modellinstanzen, die während des Trainingsprozesses erstellt wurden. Um die mit Ihrer Modellinstanz verknüpften Objekte anzuzeigen, navigieren Sie Ihren Account Usage-Ansichten (ACCOUNT_USAGE.TABLES und ACCOUNT_USAGE.STAGES). Diese Objekte werden ohne Datenbank- und Schemaspalten angezeigt. Die Spalte instance_id wird jedoch ausgefüllt und zeigt an, dass diese Objekte in einer Modellinstanz enthalten sind. Diese Objekte werden vollständig von der Modellinstanz verwaltet. Sie können nicht separat auf sie zugreifen, und sie können sie auch nicht löschen. Um die mit Ihren Modellen verbundenen Speicherkosten zu reduzieren, löschen Sie unbenutzte oder veraltete Modelle.
Allgemeine Informationen zu den Snowflake-Computekosten finden Sie unter Erläuterungen zu den Computekosten.
Verwendung der Funktionen von ML in Snowpark¶
session.call ist noch nicht mit Modellen kompatibel, die mit den Funktionen von ML erstellt wurden. Um ein solches Modell in Snowpark aufzurufen, verwenden Sie stattdessen session.sql, wie hier gezeigt.
session.sql('call my_model!FORECAST(...)').collect()