Modelagem de regressão para listas de públicos-alvo

É possível fazer previsões através de um modelo de regressão logística ou linear existente com ponderações conhecidas sem usar ML.PREDICT, mesmo não tendo acesso ao próprio modelo. Para tal, precisa de uma solução alternativa que permita usar modelos de regressão de privacidade diferencial (PD) em consultas de ativação de públicos-alvo no Ads Data Hub.

Este exemplo passo a passo ensina a realizar a inferência simulada de modelos reais de regressão logística binária e linear e, em seguida, a comparar os resultados com os de ML.PREDICT para mostrar a precisão dos resultados simulados. É mostrado também um exemplo prático de como criar uma lista de públicos-alvo com um modelo logístico binário, que se usaria para aplicar um modelo de conversão à ativação de públicos-alvo.

Vista geral do exemplo:

  1. Gere dados
  2. Prepare o modelo
  3. Obtenha as ponderações e a interceção
  4. Simule a previsão
  5. Compare resultados

Exemplo passo a passo

1. Gere dados

Crie uma tabela com dados simulados para preparar o modelo. Marque uma fração das linhas para o conjunto do holdback.

Regressão linear

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

Regressão logística binária

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. Prepare o modelo

Prepare um modelo de regressão a partir do conjunto de preparação.

Regressão linear

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

Tenha em atenção que adicionámos ruído suficiente aos dados simulados para obter um modelo com R2 = 0,9009.

Medição Valor
Erro absoluto médio 0,7359
Erro quadrático médio 0,8432
Erro de registo quadrático médio 0,0810
Erro absoluto mediano 0,6239
R ao quadrado 0,9009

Regressão logística binária

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 da amostra. Repare na precisão de 0,9260.

Medição Valor
Classe positiva 1
Classe negativa 0
Precisão 0,0810
Recordação 0,9315
Precisão 0,9260
Pontuação de F1 0,9328

Os valores a negrito nesta matriz de confusão mostram a frequência com que o modelo classificou cada etiqueta corretamente, enquanto os valores que não estão a negrito mostram a frequência com que o modelo classificou incorretamente cada etiqueta.

Etiqueta verdadeira Etiqueta prevista 1 Etiqueta prevista 2
1 93% 7%
0 8% 92%

3. Obtenha as ponderações e a interceção

Obtenha as ponderações e a interceção do modelo:

Regressão linear

SELECT
  *
FROM
  ML.WEIGHTS(MODEL `DATASET_NAME.LIN_REG_MODEL`)
ponderação 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
INTERCEÇÃO -4,1428754911504306

Regressão logística binária

SELECT
  *
FROM
  ML.WEIGHTS(MODEL `DATASET_NAME.BIN_LOG_REG_MODEL`)
ponderação 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
INTERCEÇÃO -17,922169920

4. Simule a previsão

Regressão linear

Use o produto escalar dos valores das funcionalidades com as ponderações e adicione a interceção para fazer a previsão através da SQL (linguagem de consulta estruturada) padrão sem usar ML.PREDICT. Esta consulta compara as previsões que usam esta técnica com as que usam ML.PREDICT. Observe como as linhas SQL a negrito executam o produto escalar dos valores das funcionalidades para a linha com as ponderações do modelo e, em seguida, adicionam a interceção.

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

Regressão logística binária

Na regressão logística binária, a técnica para simular as previsões é muito semelhante à regressão linear, mas a primeira aplica adicionalmente a função sigmoide no último passo com o limite pretendido.

Use o produto escalar dos valores das funcionalidades com as ponderações e adicione a interceção para fazer a previsão através da SQL padrão sem usar ML.PREDICT. Em seguida, use a função sigmoide com um limite de 0,5 no resultado para prever 0 ou 1. Esta consulta compara as previsões que usam esta técnica com as que usam 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

O bloco de código SQL a negrito na consulta acima executa o produto escalar dos valores das funcionalidades para cada linha com as ponderações do modelo e adiciona a interceção para obter a previsão de regressão linear:

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

Em seguida, aplica a função sigmoide Y = 1 / (1+e^-z) ao produto escalar e à interceção através da SQL padrão:

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

Por último, o resultado da função sigmoide é comparado com o valor do limite de 0,5 para chegar à previsão de regressão lógica binária de 0, se for inferior a 0,5, ou 1, se não for. Tenha em atenção que pode usar qualquer valor do limite entre 0 e 1.

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

Esta técnica também pode ser alargada à regressão logística multiclasse. Nesse caso, as ponderações do modelo seriam uma matriz nxn, em vez de um vetor, e as ponderações seriam um vetor, e não um escalar. Multiplicaria o vetor de valores das funcionalidades pela matriz de ponderações e adicionaria o vetor de interceção. O vetor resultante teria uma pontuação para cada etiqueta, e poderia escolher a etiqueta com a pontuação mais alta para a previsão. Se quisesse devolver uma matriz de probabilidade, aplicaria a função sigmoide a cada elemento da matriz.

5. Compare resultados

Regressão linear

Com exceção de um pequeno erro de arredondamento, os resultados da amostra são quase idênticos.

actual_label ml_predicted_label sql_predicted_label diff_is_negligible
6 5,2062349420751834 5,2062349420751826 verdadeiro
0 0,40318472770048075 0,403184727700479 verdadeiro
3 3,0703766078249597 3,0703766078249597 verdadeiro
7 7,0588171538562 7,0588171538562 verdadeiro
6 6,7802375930646 6,7802375930646 verdadeiro
6 5,1088569571339368 5,1088569571339377 verdadeiro
4 4,051839078116874 4,051839078116874 verdadeiro
4 5,1810254680219243 5,1810254680219234 verdadeiro
6 6,1440349466401223 6,1440349466401205 verdadeiro
1 2,0842399472783519 2,0842399472783519 verdadeiro
2 2,1911209811886847 2,1911209811886838 verdadeiro
3 3,0236086790006622 3,0236086790006613 verdadeiro
2 2,573083132964213 2,5730831329642125 verdadeiro
7 5,68662973136732 5,6866297313673186 verdadeiro
9 8,1860026312677938 8,1860026312677938 verdadeiro

Regressão logística binária

A comparação da inferência simulada com os resultados reais de ML.PREDICT é perfeita. Não há nenhuma contradição no conjunto do holdback de 10 mil linhas. Há algumas linhas em que ML.PREDICT e a inferência simulada não coincidem com a etiqueta real. Isto é esperado, pois a precisão do modelo ronda os 93% e há valores pequenos, mas diferentes de zero, nas células fora da diagonal da matriz de confusão.

actual_label ml_predicted_label sql_predicted_label simulation_is_accurate
0 1 1 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 0 0 verdadeiro
0 1 1 verdadeiro
0 0 0 verdadeiro

Crie uma lista de ativação de públicos-alvo com a aprendizagem automática

Um exemplo de utilização típico seria criar um modelo de regressão logística binária de privacidade diferencial para prever conversões e, em seguida, aplicar a inferência neste modelo durante a criação de uma lista de públicos-alvo. Suponhamos que o modelo logístico binário criado no exemplo acima está a modelar conversões e que cada linha nos conjuntos de preparação e avaliação representa um utilizador distinto.

A consulta seguinte mostra como criar uma lista de públicos-alvo com esses utilizadores que, segundo a previsão do modelo, irão fazer conversões:

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;