О практической работе
1. Вступительная часть
В этой практической работе показано, как с помощью логистической регрессии понять, в какой степени пол, возраст, время показа, тип браузера и другие характеристики влияют на вероятность того, что пользователь нажмет на объявление.
Требования
Для этой практической работы вам понадобится достаточный объем качественных данных о кампании, чтобы создать модель.
2. Выберите кампанию
Выберите старую кампанию, содержащую большой объем качественных данных. Если вы не можете определить самую подходящую кампанию, выполните приведенный ниже запрос для самого давнего полного месяца данных, который вам доступен.
SELECT
campaign_id,
COUNT(DISTINCT user_id) AS user_count,
COUNT(*) AS impression_count
FROM adh.google_ads_impressions
ORDER BY user_count DESC;
При тестировании и обучении моделей мы рекомендуем использовать данные, полученные 12–13 месяцев назад, поскольку они вскоре будут удалены из Ads Data Hub. После их удаления будут отменены все ограничения, связанные с достижением лимита на обучение моделей по этим данным.
Если у вас очень активная кампания, может быть достаточно данных за неделю. Наконец, количество отдельных пользователей должно быть не менее 100 000, особенно если вы используете много функций для обучения.
3. Создайте временную таблицу
Выбрав кампанию для обучения модели, выполните следующий запрос:
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. Создайте и обучите модель
Рекомендуем отдельно создавать таблицу и отдельно – модель.
Выполните приведенный ниже запрос для временной таблицы, созданной на предыдущем шаге. Даты начала и окончания указывать не нужно, они будут автоматически рассчитаны по данным таблицы.
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. Проанализируйте результаты
Когда запрос завершит работу, вы получите таблицу. Пример такой таблицы показан ниже, но для вашей кампании результаты будут другими.
Строка | precision | recall | accuracy | f1_score | log_loss | roc_auc |
1 | 0,53083894341399718 | 0,28427804486705865 | 0,54530547622568992 | 0,370267971696336 | 0,68728232223722974 | 0,55236263736263735 |
Проанализируйте вес
Выполните приведенный ниже запрос, чтобы проверить вес каждой характеристики и узнать, как она влияет на способность модели предсказывать клики.
SELECT * FROM ML.WEIGHTS(MODEL `binary_logistic_example`)
Пример результатов этого запроса приводится ниже. Учитывайте, что BigQuery отсортирует ярлыки и назначит самому маленькому значение 0, а самому большому – 1. В этом примере clicked – 0, а not_clicked – 1, то есть чем больше вес характеристики, тем ниже вероятность клика. Также учитывайте, что день 1 – воскресенье.
processed_input | weight | category_weights.category | category_weights.weight |
1 | INTERCEPT | -0,0067900886484743364 | |
2 | browser_name | null | неизвестно 0,78205563068099249 |
Opera 0,097073700069504443 | |||
Dalvik -0,75233190448454246 | |||
Edge 0,026672464688442348 | |||
Silk -0,72539916969348706 | |||
Прочие -0,10317444840919325 | |||
Браузер Samsung 0,49861066525009368 | |||
Яндекс 1,3322608977581121 | |||
IE -0,44170947381475295 | |||
Firefox -0,10372609461557714 | |||
Chrome 0,069115931084794066 | |||
Safari 0,10931362123676475 | |||
3 | day_of_week | null | 7 0,051780350639992277 |
6 -0,098905011477176716 | |||
4 -0,092395178188358462 | |||
5 -0,010693625983554155 | |||
3 -0,047629987110766638 | |||
1 -0,0067030673140933122 | |||
2 0,061739400111810727 | |||
4 | hour | null | 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 | null | 45–54 -0,013192901125032637 |
65+ 0,035681341407469279 | |||
25–34 -0,044038102549733116 | |||
18–24 -0,041488170110836373 | |||
неизвестно 0,025466344709472313 | |||
35–44 0,01582412778809188 | |||
55–64 -0,004832373590628946 | |||
6 | gender_name | null | мужской 0,061475274448403977 |
неизвестно 0,46660611583398443 | |||
женский -0,13635601771194916 |