آزمایشگاه کد رگرسیون لجستیک

آزمایشگاه کد رگرسیون لجستیک

درباره این codelab

آخرین به‌روزرسانی: ژوئیه ۲۹, ۲۰۲۴

نویسنده: یکی از کارمندان Google

1. مقدمه

این نرم افزار کد به شما یاد می دهد که چگونه از رگرسیون لجستیک برای درک میزان ارتباط ویژگی هایی مانند جنسیت، گروه سنی، زمان نمایش و نوع مرورگر با احتمال کلیک کاربر بر روی تبلیغ استفاده کنید.

پیش نیازها

برای تکمیل این کد، به داده های کمپین با کیفیت بالا برای ایجاد یک مدل به اندازه کافی نیاز دارید.

2. یک کمپین انتخاب کنید

با انتخاب یک کمپین قدیمی حاوی مقدار زیادی داده با کیفیت بالا شروع کنید. اگر نمی دانید کدام کمپین احتمالاً بهترین داده ها را دارد، پرس و جوی زیر را در قدیمی ترین ماه کامل داده ای 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 به‌زودی از Ads Data Hub حذف می‌شوند، آموزش داده و آزمایش کنید. اگر با محدودیت‌های آموزش مدل در این داده‌ها مواجه شوید، این محدودیت‌ها با حذف داده‌ها پایان می‌یابند.

اگر کمپین شما به ویژه فعال است، یک هفته داده ممکن است کافی باشد. در نهایت، تعداد کاربران متمایز باید 100000 یا بیشتر باشد، به خصوص اگر در حال آموزش با استفاده از ویژگی‌های زیادی هستید.

3. یک جدول موقت ایجاد کنید

هنگامی که کمپینی را که برای آموزش مدل خود استفاده می کنید، شناسایی کردید، عبارت 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_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. ایجاد و آموزش یک مدل

بهترین روش این است که مراحل ایجاد جدول خود را از مراحل ایجاد مدل جدا کنید.

کوئری زیر را روی جدول موقتی که در مرحله قبل ایجاد کردید اجرا کنید. نگران ارائه تاریخ های شروع و پایان نباشید، زیرا این تاریخ ها بر اساس داده های جدول موقت استنباط می شوند.

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. نتایج را تفسیر کنید

وقتی پرس و جو به پایان رسید، جدولی شبیه جدول زیر دریافت خواهید کرد. نتایج کمپین شما متفاوت خواهد بود.

ردیف	دقت	به یاد بیاور	دقت	f1_score	log_loss	roc_auc
1	0.53083894341399718	0.28427804486705865	0.54530547622568992	0.370267971696336	0.68728232223722974	0.55236263736263735

وزن ها را بررسی کنید

پرس و جوی زیر را اجرا کنید تا وزن ها را بررسی کنید تا ببینید چه ویژگی هایی در احتمال پیش بینی کلیک مدل شما نقش دارند:

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

پرس و جو نتایجی مشابه موارد زیر ایجاد می کند. توجه داشته باشید که BigQuery برچسب های داده شده را مرتب می کند و "کوچکترین" را 0 و بزرگترین را 1 انتخاب می کند. در این مثال، کلیک شده 0 است و not_clicked 1 است. بنابراین، وزن های بزرگتر را به عنوان نشانه ای تفسیر کنید که ویژگی باعث می شود کلیک ها کمتر شود. به احتمال زیاد علاوه بر این، روز 1 مطابق با یکشنبه است.

پردازش_ورودی	وزن	category_weights.category	دسته_وزن ها.وزن
1	رهگیری	-0.0067900886484743364
2	مرورگر_نام	تهی	ناشناخته 0.78205563068099249
			Opera 0.097073700069504443
			دالویک -0.75233190448454246
			لبه 0.026672464688442348
			ابریشم -0.72539916969348706
			سایر -0.10317444840919325
			مرورگر سامسونگ 0.49861066525009368
			Yandex 1.3322608977581121
			IE -0.44170947381475295
			فایرفاکس -0.10372609461557714
			کروم 0.069115931084794066
			سافاری 0.10931362123676475
3	روز_هفته	تهی	7 0.051780350639992277
			6 -0.098905011477176716
			4 -0.092395178188358462
			5 -0.010693625983554155
			3 -0.047629987110766638
			1 -0.0067030673140933122
			2 0.061739400111810727
4	ساعت	تهی	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	نام_گروه_سنی	تهی	45-54 -0.013192901125032637
			65+ 0.035681341407469279
			25-34 -0.044038102549733116
			18-24 -0.041488170110836373
			ناشناس 0.025466344709472313
			35-44 0.01582412778809188
			55-64 -0.004832373590628946
6	gender_name	تهی	مرد 0.061475274448403977
			ناشناخته 0.46660611583398443
			زن -0.13635601771194916