О практической работе
1. Введение
Эта лаборатория научит вас, как использовать логистическую регрессию, чтобы понять, в какой степени такие характеристики, как пол, возрастная группа, время показа и тип браузера, коррелируют с вероятностью пользователя нажать на объявление.
Предварительные условия
Для завершения этой лаборатории вам понадобится достаточно высококачественных данных кампании для создания модели.
2. Выберите кампанию
Начните с выбора старой кампании, содержащей большое количество высококачественных данных. Если вы не знаете, какая кампания, скорее всего, будет иметь лучшие данные, выполните следующий запрос к данным за самый старый полный месяц, к которым у вас есть доступ:
SELECT
campaign_id,
COUNT(DISTINCT user_id) AS user_count,
COUNT(*) AS impression_count
FROM adh.google_ads_impressions
ORDER BY user_count DESC;
Выбор устаревших данных позволяет обучить и протестировать модель на данных, которые вскоре будут удалены из Ads Data Hub. Если вы столкнетесь с ограничениями на обучение модели для этих данных, эти ограничения закончатся после удаления данных.
Если ваша кампания особенно активна, данных за неделю может быть достаточно. Наконец, количество отдельных пользователей должно составлять 100 000 или более, особенно если вы тренируетесь с использованием множества функций.
3. Создать временную таблицу
Определив кампанию, которую вы будете использовать для обучения своей модели, выполните приведенный ниже 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
Рекомендуется отделять этапы создания таблицы от этапов создания модели.
Выполните следующий запрос к временной таблице, созданной на предыдущем шаге. Не беспокойтесь о дате начала и окончания, поскольку они будут определены на основе данных во временной таблице.
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. Интерпретация результатов
Когда запрос завершится, вы получите таблицу, похожую на приведенную ниже. Результаты вашей кампании будут отличаться.
Ряд | точность | отзывать | точность | f1_score | log_loss | рок_аук |
1 | 0.53083894341399718 | 0.28427804486705865 | 0.54530547622568992 | 0,370267971696336 | 0,68728232223722974 | 0.55236263736263735 |
Изучите веса
Выполните следующий запрос, чтобы просмотреть веса и определить, какие функции влияют на вероятность прогнозирования клика вашей моделью:
SELECT * FROM ML.WEIGHTS(MODEL `binary_logistic_example`)
Запрос даст результаты, аналогичные приведенным ниже. Обратите внимание, что BigQuery отсортирует заданные метки и выберет для «самого маленького» значение 0, а для самого большого — 1. В этом примере clicked — это 0, а not_clicked — 1. Таким образом, больший вес интерпретируется как признак того, что эта функция уменьшает количество кликов. вероятный. Кроме того, день 1 соответствует воскресенью.
обработанный_вход | масса | Category_weights.category | категория_вес.вес |
1 | ПЕРЕХВАТ | -0,0067900886484743364 | |
2 | имя_браузера | нулевой | неизвестно 0.78205563068099249 |
Опера 0.097073700069504443 | |||
Далвик -0,75233190448454246 | |||
Край 0.026672464688442348 | |||
Шелк -0.72539916969348706 | |||
Другое -0,10317444840919325 | |||
Браузер Samsung 0.49861066525009368 | |||
Яндекс 1.3322608977581121 | |||
ИЕ -0,44170947381475295 | |||
Firefox -0.10372609461557714 | |||
Хром 0.069115931084794066 | |||
Сафари 0.10931362123676475 | |||
3 | день_недели | нулевой | 7 0.051780350639992277 |
6 -0,098905011477176716 | |||
4 -0,092395178188358462 | |||
5 -0,010693625983554155 | |||
3 -0,047629987110766638 | |||
1 -0,0067030673140933122 | |||
2 0.061739400111810727 | |||
4 | час | нулевой | 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 | возрастная_группа_имя | нулевой | 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 | пол_имя | нулевой | мужской 0.061475274448403977 |
неизвестно 0.46660611583398443 | |||
женский -0,13635601771194916 |