लॉजिस्टिक रिग्रेशन कोडलैब

लॉजिस्टिक रिग्रेशन कोडलैब

इस कोडलैब (कोड बनाना सीखने के लिए ट्यूटोरियल) के बारे में जानकारी

subjectपिछली बार सित॰ 18, 2024 को अपडेट किया गया
account_circleकिसी Googler ने लिखा है

1. जानकारी

यह कोडलैब आपको लॉजिस्टिक रिग्रेशन के इस्तेमाल का तरीका बताएगा. इससे यह समझने में मदद मिलेगी कि उपयोगकर्ता के विज्ञापन पर क्लिक करने की संभावना से लिंग, उम्र समूह, इंप्रेशन का समय, और ब्राउज़र टाइप जैसी सुविधाएं किस हद तक जुड़ी हैं.

ज़रूरी शर्तें

इस कोडलैब को पूरा करने के लिए, आपको मॉडल बनाने के लिए अच्छी क्वालिटी का ज़रूरत के मुताबिक कैंपेन डेटा चाहिए होगा.

2. कोई कैंपेन चुनें

सबसे पहले, कोई ऐसा पुराना कैंपेन चुनें जिसमें अच्छी क्वालिटी का ज़्यादा डेटा हो. अगर आपको नहीं पता कि किस कैंपेन में सबसे अच्छा डेटा हो सकता है, तो सबसे पुराने पूरे महीने के डेटा पर यह क्वेरी चलाएं, जिसका ऐक्सेस आपके पास है:

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

ORDER BY user_count DESC;

हाल ही का नहीं, बल्कि पुराना डेटा चुनने पर, आपको अपने मॉडल को उस डेटा पर ट्रेनिंग देने और उसकी जांच करने का विकल्प मिलता है जिसे जल्द ही Ads Data Hub से हटा दिया जाएगा. अगर आपको इस डेटा पर मॉडल ट्रेनिंग की सीमाएं मिलती हैं, तो डेटा मिटाने के बाद वे सीमाएं खत्म हो जाएंगी.

अगर आपका कैंपेन खास तौर पर चालू है, तो एक हफ़्ते का डेटा काफ़ी हो सकता है. आखिर में, अलग-अलग उपयोगकर्ताओं की संख्या 1,00,000 या उससे ज़्यादा होनी चाहिए. ऐसा तब ज़रूरी है, जब कई सुविधाओं का इस्तेमाल करके ट्रेनिंग की जा रही हो.

3. सीमित समय के लिए टेबल बनाएं

अपने मॉडल को ट्रेन करने के लिए जिस कैंपेन का इस्तेमाल करना है उसकी पहचान करने के बाद, नीचे दी गई क्वेरी चलाएं.

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. मॉडल बनाना और उसे ट्रेन करना

टेबल बनाने के चरणों को मॉडल बनाने के चरणों से अलग रखना सबसे सही तरीका है.

पिछले चरण में बनाई गई टेबल पर, यहां दी गई क्वेरी चलाएं. शुरू और खत्म होने की तारीखें बताने की चिंता न करें, क्योंकि इनका अनुमान अस्थायी टेबल में मौजूद डेटा के आधार पर लगाया जाएगा.

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. नतीजों को समझना

क्वेरी पूरी होने के बाद, आपको नीचे दी गई टेबल जैसी टेबल दिखेगी. आपके कैंपेन के नतीजे अलग-अलग होंगे.

पंक्ति

प्रीसिज़न

रीकॉल

सटीक

f1_score

log_loss

roc_auc

1

0.53083894341399718

0.28427804486705865

0.54530547622568992

0.370267971696336

0.68728232223722974

0.55236263736263735

अहमियत की जांच करना

वेट देखने के लिए, यह क्वेरी चलाएं. इससे यह पता चलेगा कि क्लिक का अनुमान लगाने के लिए, आपके मॉडल में कौनसी सुविधाएं काम करती हैं:

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

इस क्वेरी से, नीचे दिए गए नतीजे मिलेंगे. ध्यान दें कि BigQuery, दिए गए लेबल को क्रम से लगा देगा. इसके बाद, "सबसे छोटे" को 0 और सबसे बड़े लेबल को 1 के तौर पर चुनेगा. इस उदाहरण में, clicked 0 है और not_clicked 1 है. इसलिए, ज़्यादा वेट को इस बात के संकेत के तौर पर समझें कि इस सुविधा की वजह से क्लिक मिलने की संभावना कम हो जाती है. इसके अलावा, पहला दिन रविवार होता है.

processed_input

वज़न का डेटा

category_weights.category

category_weights.weight

1

बात करने वाला बटन

-0.0067900886484743364

2

browser_name

शून्य

unknown 0.78205563068099249

Opera 0.097073700069504443

डाल्विक -0.75233190448454246

Edge 0.026672464688442348

Silk -0.72539916969348706

अन्य -0.10317444840919325

Samsung Browser 0.49861066525009368

Yandex 1.3322608977581121

आयरलैंड -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

शून्य

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 गलती की शिकायत करें