آزمایشگاه کد رگرسیون لجستیک

۱. مقدمه

این آزمایشگاه کد به شما آموزش می‌دهد که چگونه از رگرسیون لجستیک برای درک میزان همبستگی ویژگی‌هایی مانند جنسیت، گروه سنی، زمان نمایش و نوع مرورگر با احتمال کلیک کاربر بر روی یک تبلیغ استفاده کنید.

پیش‌نیازها

برای تکمیل این آزمایشگاه کد، به داده‌های کمپین با کیفیت بالا و کافی برای ایجاد یک مدل نیاز دارید.

۲. یک کمپین انتخاب کنید

با انتخاب یک کمپین قدیمی که حاوی مقدار زیادی داده با کیفیت بالا است، شروع کنید. اگر نمی‌دانید کدام کمپین احتمالاً بهترین داده‌ها را دارد، کوئری زیر را روی قدیمی‌ترین ماه کامل داده‌هایی که به آن دسترسی دارید، اجرا کنید:

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

ORDER BY user_count DESC;

انتخاب داده‌هایی که جدید نیستند به شما امکان می‌دهد مدل خود را روی داده‌هایی که به زودی از Ads Data Hub حذف می‌شوند، آموزش داده و آزمایش کنید. اگر در این داده‌ها با محدودیت‌های آموزش مدل مواجه شوید، این محدودیت‌ها با حذف داده‌ها پایان می‌یابند.

اگر کمپین شما به طور خاص فعال است، ممکن است یک هفته داده کافی باشد. در نهایت، تعداد کاربران مجزا باید ۱۰۰۰۰۰ یا بیشتر باشد، به خصوص اگر با استفاده از ویژگی‌های زیادی آموزش می‌دهید.

۳. ایجاد یک جدول موقت

پس از شناسایی کمپینی که برای آموزش مدل خود استفاده خواهید کرد، کوئری زیر را اجرا کنید.

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_creative_conversions 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
);

۴. ایجاد و آموزش یک مدل

بهتر است مراحل ایجاد جدول را از مراحل ایجاد مدل جدا کنید.

کوئری زیر را روی جدول موقت که در مرحله قبل ایجاد کردید، اجرا کنید. نگران ارائه تاریخ شروع و پایان نباشید، زیرا این تاریخ‌ها بر اساس داده‌های موجود در جدول موقت استنباط می‌شوند.

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`)

۵. نتایج را تفسیر کنید

وقتی اجرای کوئری تمام شد، جدولی شبیه به جدول زیر دریافت خواهید کرد. نتایج کمپین شما متفاوت خواهد بود.

ردیف	دقت	به یاد بیاورید	دقت	امتیاز f1	log_loss	roc_auc
۱	۰.۵۳۰۸۳۸۹۴۳۴۱۳۹۹۷۱۸	۰.۲۸۴۲۷۸۰۴۴۸۶۷۰۵۸۶۵	۰.۵۴۵۳۰۵۴۷۶۲۲۵۶۸۹۹۲	۰.۳۷۰۲۶۷۹۷۱۶۹۶۳۳۶	۰.۶۸۷۲۸۲۳۲۲۲۳۷۲۲۹۷۴	۰.۵۵۲۳۶۲۶۳۷۳۶۲۶۳۷۳۳۵

وزن‌ها را بررسی کنید

برای بررسی وزن‌ها و مشاهده‌ی اینکه چه ویژگی‌هایی در احتمال پیش‌بینی کلیک توسط مدل شما نقش دارند، کوئری زیر را اجرا کنید:

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

این پرس‌وجو نتایجی مشابه نتایج زیر را ارائه می‌دهد. توجه داشته باشید که BigQuery برچسب‌های داده شده را مرتب می‌کند و "کوچکترین" را 0 و بزرگترین را 1 انتخاب می‌کند. در این مثال، clicked برابر با 0 و not_clicked برابر با 1 است. بنابراین، وزن‌های بزرگتر را به عنوان نشانه‌ای تفسیر کنید که این ویژگی احتمال کلیک‌ها را کمتر می‌کند. علاوه بر این، روز 1 مربوط به یکشنبه است.

ورودی_پردازش‌شده	وزن	وزن‌های دسته بندی.رده	وزن_رده.وزن
۱	رهگیری	‎-0.0067900886484743364
۲	نام_مرورگر	تهی	ناشناس 0.78205563068099249
			اپرا 0.097073700069504443
			دالویک -0.75233190448454246
			لبه 0.026672464688442348
			ابریشم -0.72539916969348706
			سایر -0.10317444840919325
			مرورگر سامسونگ 0.49861066525009368
			یاندکس ۱.۳۳۲۲۶۰۸۹۷۷۵۸۱۱۲۱
			اینترنت اکسپلورر -0.44170947381475295
			فایرفاکس -0.10372609461557714
			کروم 0.069115931084794066
			سافاری 0.10931362123676475
۳	روز_هفته	تهی	۷ ۰.۰۵۱۷۸۰۳۵۰۶۳۹۹۲۲۷۷
			۶ -۰.۰۹۸۹۰۵۰۱۱۴۷۷۱۷۶۷۱۶
			۴ -۰.۰۹۲۳۹۵۱۷۸۱۸۸۳۵۸۴۶۲
			۵ -۰.۰۱۰۶۹۳۶۲۵۹۸۳۵۵۴۱۵۵
			۳ -۰.۰۴۷۶۲۹۹۸۷۱۱۰۷۶۶۶۳۸
			۱ -۰.۰۰۶۷۰۳۰۶۷۳۱۴۰۹۳۳۱۲۲
			۲ ۰.۰۶۱۷۳۹۴۰۰۱۱۱۸۱۰۷۲۷
۴	ساعت	تهی	۱۵ -۰.۱۲۰۸۱۴۲۰۷۷۸۲۷۳
			۱۶ -۰.۱۴۶۷۰۴۶۷۶۵۷۷۷۹۱۸۲
			۱ ۰.۰۳۶۱۱۸۴۶۰۰۰۱۳۵۵۹۳۴
			۱۰ -۰.۰۲۲۱۱۱۹۸۵۳۰۳۰۶۱۰۱۴
			۳ ۰.۱۰۱۴۶۲۹۷۲۴۱۳۳۹۶۸۸
			۸ ۰.۰۰۰۳۲۳۳۴۹۰۷۵۷۰۸۸۲۴۶۴
			۱۲ -۰.۰۹۲۸۱۹۸۸۸۱۰۱۴۶۳۸۱۳
			۱۹ -۰.۱۲۱۵۸۳۴۹۵۲۳۲۴۸۱۶۲
			۲ ۰.۲۷۲۵۲۰۰۱۹۵۱۶۸۹۱۶۴
			۴ ۰.۱۳۸۹۲۱۵۳۳۳۲۷۸۰۲۸
			۱۸ -۰.۱۳۲۰۲۱۸۹۱۲۲۴۱۸۸۲۵
			۵ ۰.۰۳۰۳۸۷۰۱۰۵۶۴۱۴۲۳۹۲
			۲۲ ۰.۰۰۸۵۸۰۳۶۴۷۶۰۲۵۶۵۷۸۲
			۱۳ -۰.۰۷۰۶۹۶۵۳۴۷۱۲۷۳۲۷۵۳
			۱۴ -۰.۰۹۱۲۸۵۳۹۲۸۹۲۵۸۴۴
			۹ -۰.۰۱۷۸۸۸۶۵۱۷۱۹۳۵۰۲۱۳
			۲۳ ۰.۱۰۲۱۶۵۶۹۶۴۱۶۵۲۰۲۹
			۱۱ -۰.۰۵۳۴۹۴۶۱۱۸۲۷۲۴۰۰۵۹
			20 -0.10800180853273429
			۲۱ -۰.۰۷۰۷۰۲۱۰۵۴۷۱۵۲۸۳۴۵
			۰ ۰.۰۱۱۷۳۵۲۰۰۹۹۶۳۲۶۵۵۹
			۶ ۰.۰۱۶۵۸۱۲۳۹۳۸۱۵۶۳۵۹۸
			۱۷ -۰.۱۵۶۰۲۱۳۸۹۴۹۵۵۵۹۹۱۸
			۷ ۰.۰۲۴۰۷۷۳۹۴۳۸۷۹۵۳۵۲۵
۵	نام_گروه_سنی	تهی	۴۵-۵۴ -۰.۰۱۳۱۹۲۹۰۱۱۲۵۰۳۲۶۳۷
			۶۵+ 0.035681341407469279
			۲۵-۳۴ -۰.۰۴۴۰۳۸۱۰۲۵۴۹۷۳۳۱۱۶
			۱۸-۲۴ -۰.۰۴۱۴۸۸۱۷۰۱۱۰۸۳۶۳۷۳
			ناشناس ۰.۰۲۵۴۶۶۳۴۴۷۰۹۴۷۲۳۱۳
			۳۵-۴۴ ۰.۰۱۵۸۲۴۱۲۷۷۸۸۰۹۱۸
			۵۵-۶۴ -۰.۰۰۴۸۳۲۳۷۳۵۹۰۶۲۸۹۴۶
۶	نام_جنسیت	تهی	مرد ۰.۰۶۱۴۷۵۲۷۴۴۸۴۰۳۹۷۷
			ناشناس ۰.۴۶۶۶۰۶۱۱۵۸۳۳۹۸۴۴۳
			زن -0.13635601771194916