Mantıksal regresyon codelab'i

Mantıksal regresyon codelab'i

Bu codelab hakkında

subjectSon güncelleme Kas 21, 2023
account_circleBir Google çalışanı tarafından yazılmıştır

1. Giriş

Bu codelab'de cinsiyet, yaş grubu, gösterim zamanı ve tarayıcı türü gibi özelliklerin kullanıcıların reklamı tıklama olasılığıyla ne ölçüde ilişkili olduğunu anlamak için mantıksal regresyondan nasıl yararlanacağınızı öğreneceksiniz.

Ön koşullar

Bu codelab'i tamamlamak için yeterli miktarda ve yüksek kalitede kampanya veriniz olması gerekir.

2. Kampanya seçme

Çok miktarda yüksek kaliteli veri içeren eski bir kampanya seçerek başlayın. Hangi kampanyanın en iyi verilere sahip olabileceğini bilmiyorsanız erişiminiz olan en eski tam veri ayında aşağıdaki sorguyu çalıştırın:

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

ORDER BY user_count DESC;

12-13 ay önce oluşturulan verileri seçmeniz, modelinizi yakında Ads Data Hub'dan kaldırılacak veriler üzerinde eğitmenize ve test etmenize olanak tanır. Bu verilerde model eğitim sınırlarıyla karşılaşırsanız veriler silindiğinde bu sınırlamalar sona erer.

Kampanyanız oldukça aktifse bir haftalık veri yeterli olabilir. Son olarak, özellikle modeli birçok özelliği kullanarak eğitiyorsanız farklı kullanıcı sayısı 100.000 veya daha fazla olmalıdır.

3. Geçici tablo oluşturma

Modelinizi eğitmek için kullanacağınız kampanyayı belirledikten sonra aşağıdaki sorguyu çalıştırın.

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. Model oluşturma ve eğitme

Tablo oluşturma adımlarınızı model oluşturma adımlarından ayırmanız önerilir.

Bir önceki adımda oluşturduğunuz geçici tabloda aşağıdaki sorguyu çalıştırın. Başlangıç ve bitiş tarihlerini belirtmeniz gerekmez. Bu tarihler, geçici tablodaki verilere göre tahmin edilmektedir.

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. Sonuçları yorumlama

Sorgu çalıştırma işlemi tamamlandığında, aşağıdakine benzer bir tablo elde edersiniz. Kampanyanızdan elde edilen sonuçlar farklılık gösterir.

Satır

precision

recall

accuracy

f1_score

log_loss

roc_auc

1

0.53083894341399718

0.28427804486705865

0.54530547622568992

0.370267971696336

0.68728232223722974

0.55236263736263735

Ağırlıkları inceleme

Ağırlıklar, modelinizin bir tıklamayı tahmin etme olasılığına katkıda bulunan özellikleri görmenizi sağlar. Aşağıdaki sorguyu çalıştırarak ağırlıkları inceleyin:

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

Sorgu, aşağıdakine benzer sonuçlar verir. BigQuery'nin belirtilen etiketleri sıralayacağını ve "en küçük" değerin 0, en büyük değerin ise 1 olacağını unutmayın. Bu örnekte clicked için 0, not_clicked için 1 kullanılmaktadır. Bu nedenle, özellikte daha büyük ağırlıkların daha düşük olasılıklı tıklamaları gösterdiğini düşünebilirsiniz. Ayrıca, 1. gün pazar gününe karşılık gelir.

processed_input

weight

category_weights.category

category_weights.weight

1

INTERCEPT

-0.0067900886484743364

2

browser_name

null

unknown 0.78205563068099249

Opera 0.097073700069504443

Dalvik -0.75233190448454246

Edge 0.026672464688442348

Silk -0.72539916969348706

Other -0.10317444840919325

Samsung Browser 0.49861066525009368

Yandex 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

unknown 0.025466344709472313

35-44 0.01582412778809188

55-64 -0.004832373590628946

6

gender_name

null

male 0.061475274448403977

unknown 0.46660611583398443

female -0.13635601771194916

bug_report Hata bildir