9、机器学习模型部署与电力生产预测：从欺诈检测到线性回归

机器学习模型部署与电力生产预测：从欺诈检测到线性回归

在机器学习的实践中，我们常常需要将训练好的模型进行部署以实现预测功能，同时也会面临利用数据构建模型来解决实际业务问题的挑战。本文将围绕欺诈检测模型的部署以及利用 BigQuery ML 构建线性回归模型预测电力生产这两个方面展开详细介绍。

欺诈检测模型部署与预测

当完成模型的评估后，就可以将模型部署用于预测。以下是部署模型的具体步骤：
1. 定义端点 ：在“Define your endpoint”页面，将端点命名为 fraud_endpoint。
2. 选择机器类型 ：在“Model settings”页面，选择 n1 - standard - 2，2vCPUs，7.5GiB 内存作为机器类型。较小的机器类型可降低部署成本，满足当前示例需求。
3. 启用特征归因 ：在“Model settings”页面的“Explainability options”下，勾选“Enable feature attributions for this model”。
4. 禁用模型监控 ：在“Model monitoring”页面，禁用模型监控，因为在此场景下不需要。

完成上述步骤后，点击“Deploy”，模型部署需要几分钟时间。部署完成后，可在页面底部进行模型测试，使用以下值进行测试：
| 参数 | 值 |
| — | — |
| step | 14 |
| type | CASH_OUT |
| am