# Подключение Layer к dbt v1
Локальная разработка
* **Поддерживается**: Layer
* **Авторы**: Mehmet Ecevit
* **Репозиторий GitHub**: [layerai/dbt-layer](https://github.com/layerai/dbt-layer) [](https://github.com/layerai/dbt-layer)
* **Пакет PyPI**: `dbt-layer-bigquery` [](https://badge.fury.io/py/dbt-layer-bigquery)
* **Канал Slack**: [#tools-layer](https://getdbt.slack.com/archives/C03STA39TFE)
* **Поддерживаемая версия dbt**: v1.0.0 и новее
* **Поддержка dbt**: Не поддерживается
* **Минимальная версия платформы данных**: n/a
## Установка dbt-layer-bigquery
Установите адаптер с помощью \`pip\`: `python -m pip install dbt-layer-bigquery`
## Настройка dbt-layer-bigquery
Конфигурацию, специфичную для Layer, см. на странице [настроек Layer.](https://docs.getdbt.tech/reference/resource-configs/no-configs.md)
### Конфигурация профиля
Цели Layer Bigquery должны быть настроены с использованием следующих секций в вашем файле `profiles.yml`.
#### Аутентификация в BigQuery
Вы можете использовать любой [метод аутентификации](https://docs.getdbt.tech/docs/local/connect-data-platform/bigquery-setup.md), поддерживаемый официальным адаптером dbt для BigQuery, поскольку Layer использует адаптер `dbt-bigquery` для подключения к вашему экземпляру BigQuery.
Пример профиля:
profiles.yml
```yaml
layer-profile:
target: dev
outputs:
dev:
# Аутентификация Layer
type: layer_bigquery
layer_api_key: [API Key для доступа к вашему аккаунту Layer (опционально)]
# Аутентификация Bigquery
method: service-account
project: [ID проекта GCP]
dataset: [название вашего набора данных dbt]
threads: [1 или более]
keyfile: [/путь/к/bigquery/keyfile.json]
```
#### Описание полей профиля Layer Bigquery
Следующие поля являются обязательными:
| Параметр | По умолчанию | Тип | Описание |
| --------------- | ------------ | ------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `type` | | строка | Указывает адаптер, который вы хотите использовать. Должен быть `layer_bigquery`. |
| `layer_api_key` | | строка (опц) | Указывает ваш Layer API key. Если вы хотите делать предсказания с использованием публичных ML моделей из Layer, вам не нужно иметь этот ключ в вашем профиле. Он необходим, если вы загружаете ML модели из вашего аккаунта Layer или обучаете модель AutoML. |
| `layer_project` | | строка (опц) | Указывает ваш целевой проект Layer. Если не указано, Layer будет использовать проект с тем же именем, что и ваш проект dbt. |
| `method` | | строка | Указывает тип аутентификации для подключения к вашему BigQuery. |
Остальные параметры зависят от указанного вами метода аутентификации BigQuery.
## Использование
### AutoML
Вы можете автоматически создавать передовые ML модели, используя ваши собственные dbt модели с помощью простого SQL. Чтобы обучить модель AutoML, все, что вам нужно сделать, это передать тип модели, входные данные (фичи) и целевой столбец, который вы хотите предсказать, в `layer.automl()` в вашем SQL. Layer AutoML выберет модель с наилучшей производительностью и позволит вам вызывать ее по имени модели dbt для предсказаний, как показано выше.
*Синтаксис:*
```text
layer.automl("MODEL_TYPE", ARRAY[FEATURES], TARGET)
```
*Параметры:*
| Синтаксис | Описание |
| ------------ | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `MODEL_TYPE` | Тип модели, которую вы хотите обучить. Есть два варианта:
- `classifier`: Модель для предсказания классов/меток или категорий, таких как обнаружение спама
- `regressor`: Модель для предсказания непрерывных результатов, таких как предсказание CLV. |
| `FEATURES` | Имена входных столбцов в виде списка для обучения вашей модели AutoML. |
| `TARGET` | Целевой столбец, который вы хотите предсказать. |
*Требования:*
* Вам нужно добавить `layer_api_key` в ваш профиль dbt, чтобы AutoML работал.
*Пример:*
Посмотрите [Проект AutoML для обзора заказов](https://github.com/layerai/dbt-layer/tree/mecevit/update-docs/examples/order_review_prediction):
```sql
SELECT order_id,
layer.automl(
-- Это задача регрессии
'regressor',
-- Данные (входные фичи) для обучения нашей модели
ARRAY[
days_between_purchase_and_delivery, order_approved_late,
actual_delivery_vs_expectation_bucket, total_order_price, total_order_freight, is_multiItems_order,seller_shipped_late],
-- Целевой столбец, который мы хотим предсказать
review_score
)
FROM {{ ref('training_data') }}
```
### Предсказание
Вы можете делать предсказания, используя любую ML модель Layer в ваших dbt моделях. Адаптер Layer dbt помогает вам оценивать ваши данные, находящиеся в вашем хранилище, в рамках вашего dbt DAG с помощью SQL.
*Синтаксис:*
```text
layer.predict("LAYER_MODEL_PATH", ARRAY[FEATURES])
```
*Параметры:*
| Синтаксис | Описание |
| ------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| `LAYER_MODEL_PATH` | Это путь к модели Layer в формате `/[organization_name]/[project_name]/models/[model_name]`. Вы можете использовать только имя модели, если хотите использовать модель AutoML в том же проекте dbt. |
| `FEATURES` | Это столбцы, которые требуются этой модели для предсказания. Вы должны передать столбцы в виде списка, например `ARRAY[column1, column2, column3]`. |
*Пример:*
Посмотрите [Проект по обнаружению одежды](https://github.com/layerai/dbt-layer/tree/mecevit/update-docs/examples/cloth_detector):
```sql
SELECT
id,
layer.predict("layer/clothing/models/objectdetection", ARRAY[image])
FROM
{{ ref("products") }}
```