Atelier de programmation sur la régression logistique

1. Introduction

Cet atelier de programmation explique comment utiliser la régression logistique pour déterminer dans quelle mesure les caractéristiques telles que le genre, la tranche d'âge, l'heure d'impression et le type de navigateur sont corrélées à la probabilité qu'un utilisateur clique sur une annonce.

Conditions préalables

Pour cet atelier de programmation, vous devrez disposer de suffisamment de données de campagne de haute qualité afin de créer un modèle.

2. Sélectionner une campagne

Commencez par sélectionner une ancienne campagne contenant une beaucoup de données de haute qualité. Si vous ne savez pas quelle campagne contient les meilleures données, exécutez la requête suivante sur le mois de données complet le plus ancien auquel vous avez accès :

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

ORDER BY user_count DESC;

En sélectionnant des données datant de 12 à 13 mois, vous pouvez entraîner et tester votre modèle avec des données qui seront bientôt supprimées d'Ads Data Hub. Ainsi, si vous atteignez les limites concernant l'entraînement de modèle sur ces données, elles s'arrêteront lorsque les données seront supprimées.

Si votre campagne est particulièrement active, une semaine de données peut suffire. Enfin, vous devez avoir au moins 100 000 utilisateurs distincts, en particulier si vous entraînez votre modèle avec de nombreuses caractéristiques.

3. Créer un tableau temporaire

Une fois que vous avez identifié la campagne que vous utiliserez pour entraîner le modèle, exécutez la requête ci-dessous.

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. Créer et entraîner un modèle

Nous vous recommandons de séparer les étapes de création de votre tableau de celles de votre modèle.

Exécutez la requête suivante sur le tableau temporaire que vous avez créé à l'étape précédente. Ne vous préoccupez pas des dates de début et de fin, car elles seront déduites des données du tableau temporaire.

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. Interpréter les résultats

Lorsque la requête est exécutée, un tableau semblable à celui ci-dessous s'affiche. Les résultats de votre campagne seront différents.

Row

precision

recall

accuracy

f1_score

log_loss

roc_auc

1

0.53083894341399718

0.28427804486705865

0.54530547622568992

0.370267971696336

0.68728232223722974

0.55236263736263735

Examiner les pondérations

Pour examiner les pondérations et voir quelles caractéristiques contribuent à la probabilité que le modèle puisse prédire un clic, exécutez la requête suivante :

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

La requête produit des résultats semblables à ceux ci-dessous. Notez que BigQuery trie les libellés donnés, et détermine que le plus petit vaut 0 et que le plus grand vaut 1. Dans cet exemple, "clicked" vaut 0, et "not_clicked" vaut 1. Vous devez donc interpréter les pondérations plus importantes comme une indication que la caractéristique est moins susceptible de générer des clics. Par ailleurs, le jour 1 correspond au dimanche.

processed_input

weight

category_weights.category

category_weights.weight

1

INTERCEPT

-0.0067900886484743364

2

browser_name

nul

inconnu 0.78205563068099249

Opera 0.097073700069504443

Dalvik -0.75233190448454246

Edge 0.026672464688442348

Silk -0.72539916969348706

Autre -0.10317444840919325

Navigateur Samsung 0.49861066525009368

Yandex 1.3322608977581121

IE -0.44170947381475295

Firefox -0.10372609461557714

Chrome 0.069115931084794066

Safari 0.10931362123676475

3

day_of_week

nul

7 0.051780350639992277

6 -0.098905011477176716

4 -0.092395178188358462

5 -0.010693625983554155

3 -0.047629987110766638

1 -0.0067030673140933122

2 0.061739400111810727

4

heure

nul

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

nul

45-54 -0.013192901125032637

65+ 0.035681341407469279

25-34 -0.044038102549733116

18-24 -0.041488170110836373

inconnu 0.025466344709472313

35-44 0.01582412778809188

55-64 -0.004832373590628946

6

gender_name

nul

homme 0.061475274448403977

inconnu 0.46660611583398443

femme -0.13635601771194916