1- مقدمة
سيعلّمك هذا الدرس التطبيقي حول الترميز كيفية استخدام الانحدار اللوجستي لفهم مدى ارتباط ميزات مثل الجنس والفئة العمرية ووقت الظهور ونوع المتصفّح باحتمالية نقر المستخدم على الإعلان.
المتطلبات الأساسية
لإكمال هذا الدرس التطبيقي حول الترميز، ستحتاج إلى بيانات كافية عالية الجودة عن الحملة لإنشاء نموذج.
2. اختيار حملة
ابدأ باختيار حملة قديمة تحتوي على كمية كبيرة من البيانات العالية الجودة. إذا كنت لا تعرف أي حملة من المحتمل أن تحتوي على أفضل البيانات، قم بتشغيل الاستعلام التالي على أقدم شهر كامل من البيانات التي يمكنك الوصول إليها:
SELECT
campaign_id,
COUNT(DISTINCT user_id) AS user_count,
COUNT(*) AS impression_count
FROM adh.google_ads_impressions
ORDER BY user_count DESC;
يتيح لك اختيار البيانات التي تعود إلى فترة تتراوح بين 12 و13 شهرًا تدريب النموذج واختباره استنادًا إلى البيانات التي ستتم إزالتها قريبًا من Ads Data Hub. إذا واجهت حدودًا لتدريب النماذج على هذه البيانات، ستنتهي هذه الحدود عند حذف البيانات.
إذا كانت حملتك نشطة بشكل خاص، قد يكفي أسبوع من البيانات. وأخيرًا، يجب أن يكون عدد المستخدمين المختلفين 100,000 أو أكثر، لا سيّما إذا كنت تدرّب باستخدام العديد من الميزات.
3. إنشاء جدول مؤقت
بعد تحديد الحملة التي ستستخدمها لتدريب النموذج، نفِّذ الاستعلام التالي.
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. إنشاء نموذج وتدريبه
من أفضل الممارسات فصل خطوات إنشاء الجدول عن خطوات إنشاء النموذج.
قم بتشغيل الاستعلام التالي على الجدول المؤقت الذي أنشأته في الخطوة السابقة. لا تقلق بشأن توفير تاريخ البدء والانتهاء؛ لأنه سيتم استنتاجهما بناءً على البيانات الواردة في الجدول المؤقت.
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. تفسير النتائج
عند انتهاء الاستعلام من التشغيل، ستحصل على جدول يشبه الجدول أدناه. وستختلف النتائج من حملتك.
الصف | الدقة | تذكُّر الإعلان | الدقة | f1_score | log_loss | roc_auc |
1 | 0.53083894341399718 | 0.28427804486705865 | 0.54530547622568992 | 0.370267971696336 | 0.68728232223722974 | 0.55236263736263735 |
فحص الأوزان
نفِّذ الاستعلام التالي للاطلاع على القيم التقديرية لمعرفة الميزات التي تساهم في احتمالية توقع نموذجك للنقرات:
SELECT * FROM ML.WEIGHTS(MODEL `binary_logistic_example`)
سيعرض الاستعلام نتائج مشابهة لتلك الواردة أدناه. لاحظ أن BigQuery سيقوم بفرز التصنيفات المحددة واختيار "الأصغر" ليكون 0 والأكبر ليكون 1. في هذا المثال، تكون قيمة النقرات 0 وnot_clicked تساوي 1. وبالتالي، يمكنك تفسير ترجيحات أكبر كمؤشر على أن هذه الميزة تقلل من احتمال النقرات. بالإضافة إلى ذلك، يتجاوب اليوم 1 مع يوم الأحد.
processed_input | الوزن | category_weights.category | category_weights.weight |
1 | التقاطع | -0.0067900886484743364 | |
2 | browser_name | null | 0.78205563068099249 غير معروف |
Opera 0.097073700069504443 | |||
Dalvik -0.75233190448454246 | |||
Edge 0.026672464688442348 | |||
حرير -0.72539916969348706 | |||
غير ذلك -0.10317444840919325 | |||
متصفح Samsung 0.49861066525009368 | |||
Yandex 1.3322608977581121 | |||
IE -0.44170947381475295 | |||
Firefox -0.10372609461557714 | |||
Chrome 0.069115931084794066 | |||
Safari 0.10931362123676475 | |||
3 | day_of_week | فارغ | 7 0.051780350639992277 |
6 -0.098905011477176716 | |||
4 -0.092395178188358462 | |||
5 -0.010693625983554155 | |||
3 -0.047629987110766638 | |||
1 -0.0067030673140933122 | |||
2 0.061739400111810727 | |||
4 | ساعة | null | 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 | فارغ | 45-54 -0.013192901125032637 |
65+ 0.035681341407469279 | |||
25-34 -0.044038102549733116 | |||
18-24 -0.041488170110836373 | |||
غير معروف 0.025466344709472313 | |||
35-44 0.01582412778809188 | |||
55-64 -0.004832373590628946 | |||
6 | gender_name | فارغ | ذكر 0.061475274448403977 |
0.46660611583398443 غير معروف | |||
أنثى -0.13635601771194916 |