Codelab de regresión logística

1. Introducción

En este codelab, aprenderás a usar la regresión logística para comprender en qué medida funciones como el género, la edad, el tiempo de impresión y el tipo de navegador se correlacionan con la probabilidad de que un usuario haga clic en un anuncio.

Requisitos previos

A fin de completar este codelab, necesitarás suficientes datos de campaña de alta calidad para crear un modelo.

2. Seleccionar una campaña

Primero, selecciona una campaña anterior que contenga una gran cantidad de datos de alta calidad. Si no sabes qué campaña tiene más probabilidades de tener los mejores datos, ejecuta la siguiente consulta en el mes completo de datos más antiguo a los que tienes 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;

Si seleccionas datos que tengan entre 12 y 13 meses de antigüedad, podrás entrenar y probar tu modelo con datos que pronto se quitarán del Centro de Datos de Anuncios. Si encuentras límites de entrenamiento de modelos en estos datos, esos límites finalizarán cuando se borren los datos.

Si tu campaña es particularmente activa, una semana de datos puede ser suficiente. Por último, la cantidad de usuarios distintos debe ser de 100,000 o más, especialmente si estás entrenando con muchos atributos.

3. Cree una tabla temporal

Una vez que identifiques la campaña que usarás para entrenar tu modelo, ejecuta la siguiente consulta.

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

Se recomienda separar los pasos de creación de la tabla de los pasos de creación del modelo.

Ejecuta la siguiente consulta en la tabla temporal que creaste en el paso anterior. No te preocupes por proporcionar fechas de inicio y finalización, ya que se inferirán en función 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, obtendrás una tabla similar a la que se muestra a continuación. Los resultados de tu campaña serán diferentes.

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 ponderaciones

Ejecuta la siguiente consulta para ver los pesos y ver qué atributos contribuyen a la probabilidad de que tu modelo prediga un clic:

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

La consulta producirá resultados similares a los que se muestran a continuación. Ten en cuenta que BigQuery ordenará las etiquetas dadas y elegirá la “más pequeña” para que sea 0 y la más grande para 1. En este ejemplo, el valor de "clic" es 0 y not_clicked es 1. Por lo tanto, interprete las ponderaciones más grandes como un indicador de que la función reduce las probabilidades de que se produzcan clics. Además, el día 1 corresponde al domingo.

processed_input

peso

category_weights.category

category_weights.weight

1

INTERSECCION.EJE

-0,0067900886484743364

2

browser_name

null

desconocido 0.78205563068099249

Opera 0.097073700069504443

Dalvik -0.75233190448454246

Edge 0.026672464688442348

Seda -0.72539916969348706

Otro: 0.10317444840919325

Navegador Samsung 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

hora

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

desconocido 0.025466344709472313

35-44 0,01582412778809188

55-64 -0.004832373590628946

6

gender_name

null

hombre 0.061475274448403977

desconocido 0.46660611583398443

mujer -0.13635601771194916