See what premium Google Developer Program benefits can do for you. Learn more

लॉजिस्टिक रिग्रेशन कोडलैब

लॉजिस्टिक रिग्रेशन कोडलैब (कोड बनाना सीखना)

इस कोडलैब (कोड बनाना सीखने के लिए ट्यूटोरियल) के बारे में जानकारी

पिछली बार जुल॰ 29, 2024 को अपडेट किया गया

किसी Googler ने लिखा है

इस पेज का अनुवाद Cloud Translation API से किया गया है.

1. शुरुआती जानकारी

यह कोडलैब आपको लॉजिस्टिक रिग्रेशन के इस्तेमाल का तरीका बताएगा. इससे यह समझने में मदद मिलेगी कि उपयोगकर्ता के विज्ञापन पर क्लिक करने की संभावना से लिंग, उम्र समूह, इंप्रेशन का समय, और ब्राउज़र टाइप जैसी सुविधाएं किस हद तक जुड़ी हैं.

ज़रूरी शर्तें

इस कोडलैब को पूरा करने के लिए, मॉडल बनाने के लिए आपको ज़रूरत के मुताबिक अच्छी क्वालिटी का कैंपेन डेटा चाहिए.

2. कोई कैंपेन चुनें

इसकी शुरुआत करने के लिए, कोई ऐसा पुराना कैंपेन चुनें जिसमें बड़ी मात्रा में अच्छी क्वालिटी का डेटा हो. अगर आपको नहीं पता कि किस कैंपेन में सबसे अच्छा डेटा मिलने की संभावना है, तो सबसे पुराने पूरे महीने के उस डेटा पर नीचे दी गई क्वेरी चलाएं जिसका ऐक्सेस आपके पास है:

SELECT
  campaign_id,
  COUNT(DISTINCT user_id) AS user_count,
  COUNT(*) AS impression_count
FROM adh.google_ads_impressions

ORDER BY user_count DESC;

पुराना डेटा चुनने पर, आपको अपने मॉडल को उस डेटा पर ट्रेनिंग देने और टेस्ट करने की सुविधा मिलती है जिसे Ads Data Hub से जल्द ही हटा दिया जाएगा. अगर इस डेटा पर मॉडल-ट्रेनिंग की सीमाएं मिलती हैं, तो डेटा मिटाने पर वे सीमाएं खत्म हो जाएंगी.

अगर आपका कैंपेन खास तौर पर चालू है, तो एक हफ़्ते का डेटा काफ़ी हो सकता है. आखिर में, अलग-अलग उपयोगकर्ताओं की संख्या 1,00,000 या इससे ज़्यादा होनी चाहिए. खास तौर पर तब, जब कई सुविधाओं का इस्तेमाल करके ट्रेनिंग दी जा रही हो.

3. सीमित समय के लिए टेबल बनाएं

अपने मॉडल को ट्रेनिंग देने के लिए इस्तेमाल किए जाने वाले कैंपेन की पहचान करने के बाद, नीचे दी गई क्वेरी चलाएं.

CREATE TABLE
 binary_logistic_regression_example_data
AS(
 WITH all_data AS (
   SELECT
     imp.user_id as user_id,
     ROW_NUMBER() OVER(PARTITION BY imp.user_id) AS rowIdx,
     imp.browser as browser_name,
     gender_name as gender_name,
     age_group_name as age_group_name,
     DATETIME(TIMESTAMP_MICROS(
       imp.query_id.time_usec), "America/Los_Angeles") as impression_time,
     CASE # Binary classification of clicks simplifies model weight interpretation
        WHEN clk.click_id.time_usec IS NULL THEN 0
        ELSE 1
     END AS label
   FROM adh.google_ads_impressions imp
     LEFT JOIN adh.google_ads_clicks clk USING (impression_id)
     LEFT JOIN adh.gender ON demographics.gender = gender_id
     LEFT JOIN adh.age_group ON demographics.age_group = age_group_id
   WHERE
     campaign_id IN (YOUR_CID_HERE)
 )
 SELECT
   label,
   browser_name,
   gender_name,
   age_group_name,
   # Although BQML could divide impression_time into several useful variables on
   # its own, it may attempt to divide it into too many features. As a best
   # practice extract the variables that you think will be most helpful.
   # The output of impression_time is a number, but we care about it as a
   # category, so we cast it to a string.
   CAST(EXTRACT(DAYOFWEEK FROM impression_time) AS STRING) AS day_of_week,
   # Comment out the previous line if training on a single week of data
   CAST(EXTRACT(HOUR FROM impression_time) AS STRING) AS hour,
 FROM
   all_data
 WHERE
   rowIdx = 1 # This ensures that there's only 1 row per user.
   AND
   gender_name IS NOT NULL
   AND
   age_group_name IS NOT NULL
);

4. मॉडल बनाना और उसे ट्रेनिंग देना

आपके लिए सबसे सही तरीका यह है कि टेबल बनाने के चरणों को मॉडल बनाने के चरणों से अलग किया जाए.

पिछले चरण में बनाई गई अस्थायी टेबल पर, यहां दी गई क्वेरी चलाएं. शुरू और खत्म होने की तारीखें बताने की चिंता न करें, क्योंकि इनका अनुमान अस्थायी टेबल में मौजूद डेटा के आधार पर लगाया जाएगा.

CREATE OR REPLACE
MODEL `binary_logistic_example`
OPTIONS(
   model_type = 'adh_logistic_regression'
)
AS (
   SELECT *
   FROM
       tmp.binary_logistic_regression_example_data
);

SELECT * FROM ML.EVALUATE(MODEL `binary_logistic_example`)

5. नतीजों को समझना

क्वेरी का पूरा हो जाने पर, आपको नीचे दी गई टेबल से मिलती-जुलती एक टेबल दिखेगी. आपके कैंपेन के नतीजे अलग-अलग होंगे.

पंक्ति	प्रीसिज़न	रीकॉल	सटीक	f1_score	log_loss	roc_auc
1	0.53083894341399718	0.28427804486705865	0.54530547622568992	0.370267971696336	0.68728232223722974	0.55236263736263735

वज़न की जांच करें

यह देखने के लिए कि कौन सी सुविधाएं आपके मॉडल की क्लिक का अनुमान लगाने की संभावना में योगदान करती हैं, महत्व देखने के लिए निम्न क्वेरी चलाएं:

SELECT * FROM ML.WEIGHTS(MODEL `binary_logistic_example`)

क्वेरी करने पर, नीचे दिए गए नतीजों जैसे नतीजे दिखेंगे. ध्यान दें कि BigQuery दिए गए लेबल को क्रम से लगा देगा और "सबसे छोटा" चुन लेगा का मतलब है कि 0 होना चाहिए और 1 होने के लिए सबसे बड़ा होना चाहिए. इस उदाहरण में, क्लिक की संख्या 0 है और not_clicked 1 है. इसलिए, बड़े पैमाने पर इस बात का संकेत दें कि इस सुविधा से क्लिक मिलने की संभावना कम होती है. इसके अलावा, दिन 1 रविवार से जुड़ा है.

processed_input	वज़न का डेटा	category_weights.category	category_weights.weight
1	बात करने वाला बटन	-0.0067900886484743364
2	browser_name	शून्य	अज्ञात 0.78205563068099249
			ऑपरा 0.097073700069504443
			डाल्विक -0.75233190448454246
			एज 0.026672464688442348
			सिल्क -0.72539916969348706
			अन्य -0.10317444840919325
			Samsung ब्राउज़र 0.49861066525009368
			Yandex 1.3322608977581121
			आयरलैंड -0.44170947381475295
			फ़ायरफ़ॉक्स -0.10372609461557714
			Chrome 0.069115931084794066
			Safari 0.10931362123676475
3	day_of_week	शून्य	7 0.051780350639992277
			6 -0.098905011477176716
			4 -0.092395178188358462
			5 -0.010693625983554155
			3 -0.047629987110766638
			1 -0.0067030673140933122
			2 0.061739400111810727
4	hour	शून्य	15 -0.12081420778273
			16 -0.14670467657779182
			1 0.036118460001355934
			10 -0.022111985303061014
			3 0.10146297241339688
			8 0.00032334907570882464
			12 -0.092819888101463813
			19 -0.12158349523248162
			2 0.27252001951689164
			4 0.1389215333278028
			18 -0.13202189122418825
			5 0.030387010564142392
			22 0.0085803647602565782
			13 -0.070696534712732753
			14 -0.0912853928925844
			9 -0.017888651719350213
			23 0.10216569641652029
			11 -0.053494611827240059
			20 -0.10800180853273429
			21 -0.070702105471528345
			0 0.011735200996326559
			6 0.016581239381563598
			17 -0.15602138949559918
			7 0.024077394387953525
5	age_group_name	शून्य	45-54 -0.013192901125032637
			65+ 0.035681341407469279
			25-34 -0.044038102549733116
			18-24 -0.041488170110836373
			अज्ञात 0.025466344709472313
			35-44 0.01582412778809188
			55-64 -0.004832373590628946
6	gender_name	शून्य	पुरुष 0.061475274448403977
			अज्ञात 0.46660611583398443
			महिला -0.13635601771194916

वापस जाएं

अगला

गलती की शिकायत करें