Atelier de programmation sur la régression linéaire

1. Introduction

Dans cet atelier de programmation, vous allez apprendre à utiliser la régression linéaire pour créer un modèle capable de prédire le coût par clic.

Conditions préalables

Voici les conditions à respecter :

Pour cet atelier de programmation, vous devrez disposer de suffisamment de données de campagne de haute qualité afin de créer un modèle.

2. Créer une table temporaire

Exécutez la requête suivante :

CREATE TABLE
 linear_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,
     clk.advertiser_click_cost_usd AS label
   FROM adh.google_ads_impressions imp
     INNER 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
 )
 # Need just one user ID or regression won't work
 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,
   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
   label IS NOT NULL
   AND
   gender_name IS NOT NULL
   AND
   age_group_name IS NOT NULL
);

3. Créer et entraîner un modèle

Nous vous recommandons de séparer les étapes de création de votre tableau de celles de votre modèle.

Exécutez la requête suivante sur le tableau temporaire que vous avez créé à l'étape précédente. Ne vous préoccupez pas des dates de début et de fin, car elles seront déduites des données du tableau temporaire.

CREATE OR REPLACE
MODEL `example_linear`
OPTIONS(
   model_type = 'adh_linear_regression'
)
AS (
   SELECT *
   FROM
       tmp.linear_regression_example_data
);

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

Row

mean_absolute_error

mean_squared_error

mean_squared_log_error

median_absolute_error

r2_score

explained_variance

1

0.11102380666874107

0.019938972461569476

0.019503393448234131

0.091792024503562136

-9.8205955364568478

-9.7975398794423025