Codelab de regresión logística

1. Introducción

Con este codelab, aprenderás a usar la regresión logística para conocer el grado en el que características como el sexo, la edad, el momento de la impresión y el tipo de navegador influyen en la probabilidad de que un usuario haga clic en un anuncio.

Requisitos previos

Para completar este codelab, necesitarás suficientes datos de campañas de alta calidad para crear un modelo.

2. Elige una campaña

Empieza seleccionando una campaña antigua que contenga una gran cantidad de datos de alta calidad. Si no sabes qué campaña es probable que ofrezca los mejores datos, ejecuta la siguiente consulta sobre el mes completo más antiguo al que tengas acceso:

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

ORDER BY user_count DESC;

Al seleccionar datos que tengan una antigüedad de entre 12 y 13 meses, puedes entrenar y probar tu modelo con datos que pronto se quitarán del Centro de Datos de Anuncios. Si te encuentras con límites para entrenar los modelos con estos datos, esos límites finalizarán cuando se eliminen los datos.

Si tu campaña tiene mucha actividad, es posible que baste con una semana de datos. Por último, el número de usuarios únicos debe ser 100.000 o más, sobre todo si estás entrenando el modelo con muchas características.

3. Crea una tabla temporal

Cuando hayas identificado la campaña que utilizarás para entrenar el modelo, ejecuta la consulta siguiente:

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. Crea y entrena un modelo

Te recomendamos que separes los pasos de creación de la tabla y del modelo.

Ejecuta la siguiente consulta en la tabla temporal que has creado en el paso anterior. No te preocupes por proporcionar las fechas de inicio y finalización, ya que se deducirán a partir de los datos de la tabla temporal.

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. Interpreta los resultados

Cuando la consulta termine de ejecutarse, aparecerá una tabla similar a la que aparece abajo. Los resultados de tu campaña variarán.

Fila

precision

recall

accuracy

f1_score

log_loss

roc_auc

1

0,53083894341399718

0,28427804486705865

0,54530547622568992

0,370267971696336

0,68728232223722974

0,55236263736263735

Examina las contribuciones

Ejecuta la siguiente consulta para obtener las contribuciones; es decir, qué características contribuyen a la probabilidad de que tu modelo prediga un clic:

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

La consulta generará resultados similares a los que aparecen abajo. Ten en cuenta que BigQuery ordenará las etiquetas en cuestión y elegirá que la "más pequeña" sea 0 y la "más grande", 1. En este ejemplo, clicked (se hizo clic) es 0 y not_clicked (no se hizo clic), 1. Por tanto, interpreta las contribuciones más grandes como un indicador de que la característica reduce la probabilidad de clics. Además, ten en cuenta que el día 1 corresponde al domingo.

processed_input

weight

category_weights.category

category_weights.weight

1

INTERCEPT

-0,0067900886484743364

2

browser_name

null

unknown 0.78205563068099249

Opera 0,097073700069504443

Dalvik -0,75233190448454246

Edge 0,026672464688442348

Silk -0,72539916969348706

Other -0.10317444840919325

Samsung Browser 0,49861066525009368

Yandex 1,3322608977581121

IE -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

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

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