Se usó la API de Cloud Translation para traducir esta página.

Modelado de regresión para listas de público

Puedes hacer predicciones con un modelo de regresión logística o lineal existente con pesos conocidos sin usar ML.PREDICT, incluso sin acceso al modelo a sí mismo. Para ello, debes usar una solución alternativa para usar la privacidad diferencial (DP) en las consultas de activación de públicos del Centro de Datos de Anuncios.

En este ejemplo paso a paso, aprenderás a realizar la inferencia simulada para modelos de regresión logística lineal y binaria reales, y luego comparar los resultados con el de ML.PREDICT para mostrar la exactitud de los resultados simulados. También demostrará un ejemplo práctico de cómo crear una lista de público. con un modelo logístico binario, que se usaría para aplicar un modelo de conversión a la activación de públicos.

Descripción general del ejemplo:

Genera datos
Entrenar el modelo
Obtén los pesos e intercepta
Simula la predicción
Comparar resultados

Ejemplo paso a paso

1. Genera datos

Crear una tabla con datos simulados para entrenar el modelo Marcar una fracción de las filas del conjunto de aislamiento.

Regresión lineal

CREATE OR REPLACE TABLE DATASET_NAME.LIN_REG_TRAINING_SET AS
  WITH
  A AS (
    SELECT
      *
    FROM
      UNNEST(GENERATE_ARRAY(1, 100000)) AS row_number),
  B AS (
    SELECT
      row_number,
      RAND() AS rand_label,
      RAND() AS rand_feature_1,
      RAND() AS rand_feature_2,
      RAND() AS rand_feature_3,
      RAND() AS rand_feature_4,
      RAND() AS rand_feature_5,
      RAND() AS rand_feature_6,
      RAND() AS rand_feature_7,
      RAND() AS rand_feature_8,
      RAND() AS rand_feature_9,
      RAND() AS rand_feature_10
    FROM
      A),
  C AS (
    SELECT
      rand_label AS label,
      *
    FROM
      B),
  D AS (
    SELECT
    row_number,
    CAST(round(10 * label) AS INT64) AS label,
    (rand_label + rand_feature_1) / 2 AS feature_1,
    (rand_label + rand_feature_2) / 2 AS feature_2,
    (rand_label + rand_feature_3) / 2 AS feature_3,
    (rand_label + rand_feature_4) / 2 AS feature_4,
    (rand_label + rand_feature_5) / 2 AS feature_5,
    (rand_label + rand_feature_6) / 2 AS feature_6,
    (rand_label + rand_feature_7) / 2 AS feature_7,
    (rand_label + rand_feature_8) / 2 AS feature_8,
    (rand_label + rand_feature_9) / 2 AS feature_9,
    (rand_label + rand_feature_10) / 2 AS feature_10
    FROM
    C)

SELECT
  label,
  feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10,
  RAND() < 0.1 AS holdback -- Ten percent will be true.
FROM
  D

Regresión logística binaria

SELECT
  CASE
    WHEN label < 5 THEN 0
    WHEN label >= 5 THEN 1
  END
  AS label,
  * EXCEPT (label)
FROM
  `DATASET_NAME.BIN_LOG_REG_TRAINING_SET`

2. Entrenar el modelo

Entrenar un modelo de regresión a partir del conjunto de entrenamiento

Regresión lineal

CREATE OR REPLACE MODEL `DATASET_NAME.LIN_REG_MODEL` OPTIONS (model_type="linear_reg") AS
  SELECT
    * except (holdback)
  FROM
    `DATASET_NAME.LIN_REG_TRAINING_SET`
  WHERE
    NOT holdback

Ten en cuenta que agregamos suficiente ruido a los datos simulados para obtener un modelo con R² = 0.9009.

Medición	Valor
Error absoluto promedio	0,7359
Error cuadrático medio	0,8432
Error logarítmico cuadrático medio	0.0810
Mediana de error absoluto	0,6239
R al cuadrado	0,9009

Regresión logística binaria

CREATE OR REPLACE MODEL `DATASET_NAME.BIN_LOG_REG_MODEL` OPTIONS (model_type="logistic_reg") AS
  SELECT
    * EXCEPT (holdback)
  FROM
    `DATASET_NAME.BIN_LOG_REG_TRAINING_SET`
  WHERE
    NOT holdback

Resultados de muestra. Observa la precisión de 0.9260.

Medición	Valor
Clase positiva	1
Clase negativa	0
Precisión	0.0810
Recuperación	0,9315
Precisión	0,9260
Puntuación F1	0,9328

Los valores en negrita de esta matriz de confusión muestran la frecuencia con la que el modelo clasificó cada etiqueta de forma correcta, y los valores que no están en negrita muestran la frecuencia con la que el modelo clasificó incorrectamente cada etiqueta.

Etiqueta de confianza	Etiqueta predicha 1	Etiqueta predicha 2
1	Un 93%	7%
0	8%	Un 92%

3. Obtener pesos e interceptar

Obtén los pesos y la intercepción para el modelo:

Regresión lineal

SELECT
  *
FROM
  ML.WEIGHTS(MODEL `DATASET_NAME.LIN_REG_MODEL`)

peso	category_weights.category
feature_1	1,8263055528635743
feature_2	1,8143804404490813
feature_3	1,8601204874033492
feature_4	1,8507603439031859
feature_5	1,7899764387123640
feature_6	1,8645246630251291
feature_7	1,8698005281925356
feature_8	1,7904637080330201
feature_9	1,8036887855406274
feature_10	1,8117115890624449
INTERSECCION.EJE (INTERCEPT)	-4,1428754911504306

Regresión logística binaria

SELECT
  *
FROM
  ML.WEIGHTS(MODEL `DATASET_NAME.BIN_LOG_REG_MODEL`)

peso	category_weights.category
feature_1	3,823533928
feature_2	3.734812819
feature_3	3.842239823
feature_4	3.785488823
feature_5	3.737386716
feature_6	3,567663961
feature_7	3.819643052
feature_8	3.734673763
feature_9	3,839301406
feature_10	3,787306994
INTERSECCION.EJE (INTERCEPT)	−17.922169920

4. Simula la predicción

Regresión lineal

Usa el producto escalar de los valores de los atributos con los pesos y agrega los interceptar, para hacer la predicción con SQL estándar sin usar ML.PREDICT Esta consulta compara las predicciones que usan esta técnica con aquellos que usan ML.PREDICT. Observa cómo las líneas en negrita de SQL funcionan el producto de los valores de atributos para la fila con los pesos del modelo y, luego, suma la intercepción.

WITH
T AS (
SELECT
  label AS actual_label,
  predicted_label AS ml_predicted_label,
  [feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10] AS features,
  [1.8263055528635743,
  1.8143804404490813,
  1.8601204874033492,
  1.8507603439031859,
  1.789976438712364,
  1.8645246630251291,
  1.8698005281925356,
  1.7904637080330201,
  1.8036887855406274,
  1.8117115890624449] AS weights
FROM
  ML.PREDICT(MODEL `DATASET_NAME.LIN_REG_MODEL`,
    (
    SELECT
      *
    FROM
      `PROJECT_NAME.DATASET_NAME.LIN_REG_TRAINING_SET`))
WHERE
  holdback),
P AS (
SELECT
  actual_label,
  ml_predicted_label,
  (
   SELECT
    SUM(element1 * element2) - 4.1428754911504306
  FROM
    T.features element1
  WITH
  OFFSET
    pos
  JOIN
    T.weights element2
  WITH
  OFFSET
    pos
  USING
    (pos) ) sql_predicted_label,
  features,
  weights
FROM
  T)
SELECT
  actual_label,
  ml_predicted_label,
  sql_predicted_label,
  ABS(ml_predicted_label - sql_predicted_label) < 0.00000000001 AS diff_is_negligible
FROM
  P

Regresión logística binaria

En la regresión logística binaria, la técnica para simular las predicciones es es muy similar a la regresión lineal, además de aplicar la función sigmoidea en el último paso con el umbral deseado.

Usa el producto escalar de los valores de los atributos con los pesos y agrega los interceptar, para hacer la predicción con SQL estándar sin usar ML.PREDICT. Luego, usa la función sigmoidea con un umbral de 0.5 en el resultado para predecir ya sea 0 o 1. Esta consulta compara las predicciones que usan esta técnica con aquellas usando ML.PREDICT.

WITH
T AS (
SELECT
  label AS actual_label,
  predicted_label AS ml_predicted_label,
  [feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10] AS features,
  [3.8235339279050287,
  3.7348128191185244,
  3.8422398227859471,
  3.7854888232502479,
  3.7373867156553713,
  3.5676639605351026,
  3.8196430517007811,
  3.7346737628343032,
  3.8393014063170749,
  3.7873069939244743] AS weights
FROM
  ML.PREDICT(MODEL `DATASET_NAME.BIN_LOG_REG_MODEL`,
    (
    SELECT
      *
    FROM
      `PROJECT_NAME.DATASET_NAME.BIN_LOG_REG_TRAINING_SET`))
WHERE
  holdback),
P AS (
SELECT
  actual_label,
  ml_predicted_label,
  (
   SELECT
    IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)
  FROM
    T.features element1
  WITH
  OFFSET
    pos
  JOIN
    T.weights element2
  WITH
  OFFSET
    pos
  USING
    (pos) ) sql_predicted_label,
  features,
  weights
FROM
  T)
SELECT
  actual_label,
  ml_predicted_label,
  sql_predicted_label,
  ml_predicted_label = sql_predicted_label AS simulation_is_accurate
FROM
  P

El bloque de código SQL en negrita en la consulta anterior está realizando el producto punto. de los valores de atributos para cada fila con los pesos del modelo y sumar interceptar para obtener la predicción de regresión lineal:

IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)

Luego, aplica la función sigmoidea Y = 1 / (1+e^-z) al producto escalar. e interceptar con SQL estándar:

IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)

Por último, se compara el resultado de la función sigmoidea con el valor límite de 0.5 para llegar a la predicción de regresión logística binaria de 0, si es menor que 0.5, o 1, si no lo es. Ten en cuenta que puedes usar cualquier umbral un valor entre 0 y 1.

IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)

Esta técnica también puede extenderse a la regresión logística multiclase. En ese caso, los pesos del modelo serán una matriz nxn, en lugar de un vector, y el los pesos serían un vector y no un escalar. Multiplicarías el atributo de valores por la matriz de ponderaciones y agrega el vector de intercepción. El vector resultante tendría una puntuación para cada etiqueta y podrías elegir la etiqueta con la puntuación más alta para tu predicción. Si quisieras devolver un de probabilidad, aplicarías la función sigmoidea a cada elemento del .

5. Comparar resultados

Regresión lineal

Los resultados de la muestra son casi idénticos, excepto por un pequeño error de redondeo.

actual_label	ml_predicted_label	sql_predicted_label	diff_is_negligible
6	5,2062349420751834	5.2062349420751826	verdadero
0	0,40318472770048075	0,403184727700479	verdadero
3	3.0703766078249597	3.0703766078249597	verdadero
7	7.0588171538562	7.0588171538562	verdadero
6	6.7802375930646	6.7802375930646	verdadero
6	5,1088569571339368	5,1088569571339377	verdadero
4	4,051839078116874	4,051839078116874	verdadero
4	5,1810254680219243	5,1810254680219234	verdadero
6	6.1440349466401223	6.1440349466401205	verdadero
1	2,0842399472783519	2,0842399472783519	verdadero
2	2,1911209811886847	2,1911209811886838	verdadero
3	3,0236086790006622	3,0236086790006613	verdadero
2	2,573083132964213	2,5730831329642125	verdadero
7	5,68662973136732	5,6866297313673186	verdadero
9	8,1860026312677938	8,1860026312677938	verdadero

Regresión logística binaria

La comparación de la inferencia simulada con los resultados reales de Las ML.PREDICT son perfectas, no una sola contradicción en cuanto al aislamiento de las 10,000 filas automático. Hay algunas filas en las que tanto ML.PREDICT como la inferencia simulada ambos no están de acuerdo con la etiqueta real, y eso se espera como la exactitud del modelo es alrededor del 93%, y hay valores pequeños, pero distintos de cero, en las celdas fuera de la diagonal de la matriz de confusión.

ml_predicted_label	sql_predicted_label	simulation_is_accurate
1	1	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
0	0	verdadero
1	1	verdadero
0	0	verdadero

Crea una lista de activación de público con AA

Un caso de uso típico sería crear una logística binaria con privacidad diferencial modelo de regresión para predecir conversiones y, luego, aplicar inferencias en este modelo mientras creas una lista de público. Supongamos que el modelo logístico binario creó en el ejemplo anterior es el modelado de conversiones y que cada fila del entrenamiento y los conjuntos de evaluación representan a un usuario distinto.

La siguiente consulta muestra cómo crear una lista de público con los usuarios que que el modelo predice que convertirán:

WITH
T AS (
SELECT
  *,
  label AS actual_label,
  [feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10] AS features,
  [3.8235339279050287,
  3.7348128191185244,
  3.8422398227859471,
  3.7854888232502479,
  3.7373867156553713,
  3.5676639605351026,
  3.8196430517007811,
  3.7346737628343032,
  3.8393014063170749,
  3.7873069939244743] AS weights
FROM
  `PROJECT_NAME.DATASET_NAME.BIN_LOG_REG_TRAINING_SET`
WHERE
  holdback),
P AS (
SELECT
  *,
  (
  SELECT
  IF
    ((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)
  FROM
    T.features element1
  WITH
  OFFSET
    pos
  JOIN
    T.weights element2
  WITH
  OFFSET
    pos
  USING
    (pos) ) predicted_label,
  features,
  weights
FROM
  T),
SELECT
  user_id
FROM
  P
WHERE
  predicted_label = 1;