লজিস্টিক রিগ্রেশন কোডল্যাব

1. ভূমিকা

এই কোডল্যাবটি আপনাকে শেখাবে কীভাবে লজিস্টিক রিগ্রেশন ব্যবহার করতে হয় তা বোঝার জন্য যে লিঙ্গ, বয়স গোষ্ঠী, ইম্প্রেশনের সময় এবং ব্রাউজারের প্রকারের মতো বৈশিষ্ট্যগুলি ব্যবহারকারীর বিজ্ঞাপনে ক্লিক করার সম্ভাবনার সাথে সম্পর্কযুক্ত।

পূর্বশর্ত

এই কোডল্যাবটি সম্পূর্ণ করতে, একটি মডেল তৈরি করার জন্য আপনার যথেষ্ট উচ্চ মানের প্রচারাভিযান ডেটার প্রয়োজন হবে৷

2. একটি প্রচার বাছাই করুন

একটি পুরানো প্রচারাভিযান নির্বাচন করে শুরু করুন যাতে প্রচুর পরিমাণে উচ্চ মানের ডেটা রয়েছে৷ আপনি যদি জানেন না কোন প্রচারাভিযানে সর্বোত্তম ডেটা থাকতে পারে, তাহলে আপনার অ্যাক্সেস আছে এমন পুরানো পুরো মাসের ডেটাতে নিম্নলিখিত প্রশ্নটি চালান:

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

ORDER BY user_count DESC;

12-13 মাস পুরানো ডেটা নির্বাচন করা আপনাকে সেই ডেটার উপর আপনার মডেলকে প্রশিক্ষণ এবং পরীক্ষা করার অনুমতি দেয় যা শীঘ্রই বিজ্ঞাপন ডেটা হাব থেকে সরানো হবে। আপনি যদি এই ডেটাতে মডেল-প্রশিক্ষণ সীমার সম্মুখীন হন, ডেটা মুছে ফেলা হলে সেই সীমাগুলি শেষ হয়ে যাবে৷

আপনার প্রচারাভিযান বিশেষভাবে সক্রিয় হলে, এক সপ্তাহের ডেটা যথেষ্ট হতে পারে। সবশেষে, স্বতন্ত্র ব্যবহারকারীর সংখ্যা 100,000 বা তার বেশি হওয়া উচিত, বিশেষ করে যদি আপনি অনেক বৈশিষ্ট্য ব্যবহার করে প্রশিক্ষণ নিচ্ছেন।

3. একটি অস্থায়ী টেবিল তৈরি করুন

একবার আপনি আপনার মডেলকে প্রশিক্ষণের জন্য যে প্রচারাভিযানটি ব্যবহার করবেন তা চিহ্নিত করার পরে, নীচের প্রশ্নটি চালান৷

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. একটি মডেল তৈরি এবং প্রশিক্ষণ

আপনার মডেল তৈরির ধাপগুলি থেকে আপনার টেবিল তৈরির ধাপগুলিকে আলাদা করা একটি সর্বোত্তম অনুশীলন।

পূর্ববর্তী ধাপে আপনার তৈরি করা অস্থায়ী টেবিলে নিম্নলিখিত ক্যোয়ারীটি চালান। শুরু এবং শেষের তারিখগুলি দেওয়ার বিষয়ে চিন্তা করবেন না, কারণ এইগুলি অস্থায়ী টেবিলের ডেটার উপর ভিত্তি করে অনুমান করা হবে৷

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. ফলাফল ব্যাখ্যা করুন

ক্যোয়ারীটি চলা শেষ হলে, আপনি নীচেরটির মতো একটি টেবিল পাবেন৷ আপনার প্রচারাভিযান থেকে ফলাফল ভিন্ন হবে.

সারি

নির্ভুলতা

প্রত্যাহার

সঠিকতা

f1_স্কোর

log_loss

roc_auc

1

০.৫৩০৮৩৮৯৪৩৪১৩৯৯৭১৮

0.28427804486705865

0.54530547622568992

0.370267971696336

0.68728232223722974

0.55236263736263735

ওজন পরীক্ষা করুন

একটি ক্লিকের পূর্বাভাস দেওয়ার জন্য আপনার মডেলের সম্ভাবনায় কোন বৈশিষ্ট্যগুলি অবদান রাখে তা দেখতে ওজনগুলি দেখতে নিম্নলিখিত ক্যোয়ারীটি চালান:

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

ক্যোয়ারী নিচের মত ফলাফল তৈরি করবে। মনে রাখবেন যে BigQuery প্রদত্ত লেবেলগুলিকে বাছাই করবে এবং 0 হতে "সবচেয়ে ছোট" এবং 1 হতে বৃহত্তম বেছে নেবে৷ এই উদাহরণে, ক্লিক করা হল 0 এবং না_ক্লিক করা হল 1৷ এইভাবে, বৈশিষ্ট্যটি ক্লিকগুলি কম করে এমন একটি ইঙ্গিত হিসাবে বৃহত্তর ওজনকে ব্যাখ্যা করুন৷ সম্ভবত উপরন্তু, দিন 1 রবিবার অনুরূপ.

প্রক্রিয়াকৃত_ইনপুট

ওজন

category_weights.category

category_weights.weight

1

পথিমধ্যে রোধ করা

-0.0067900886484743364

2

ব্রাউজার_নাম

খালি

অজানা 0.78205563068099249

অপেরা 0.097073700069504443

ডালভিক -0.75233190448454246

প্রান্ত 0.026672464688442348

সিল্ক -0.72539916969348706

অন্যান্য -0.10317444840919325

স্যামসাং ব্রাউজার 0.49861066525009368

ইয়ানডেক্স 1.3322608977581121

IE -0.44170947381475295

ফায়ারফক্স -0.10372609461557714

ক্রোম 0.069115931084794066

সাফারি 0.10931362123676475

3

সপ্তাহের দিন

খালি

7 0.051780350639992277

6 -0.098905011477176716

4 -0.092395178188358462

5 -0.010693625983554155

3 -0.047629987110766638

1 -0.0067030673140933122

2 0.061739400111810727

4

ঘন্টা

খালি

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

বয়স_গোষ্ঠীর_নাম

খালি

45-54 -0.013192901125032637

65+ 0.035681341407469279

25-34 -0.044038102549733116

18-24 -0.041488170110836373

অজানা 0.025466344709472313

35-44 0.01582412778809188

55-64 -0.004832373590628946

6

লিঙ্গ_নাম

খালি

পুরুষ 0.061475274448403977

অজানা 0.46660611583398443

মহিলা -0.13635601771194916