דף זה תורגם על ידי Cloud Translation API.

Codelab בנושא רגרסיה לוגיסטית

1. מבוא

ב-codelab הזה נלמד איך להשתמש ברגרסיה לוגיסטית כדי להבין את מידת המתאם בין מאפיינים כמו מגדר, קבוצת גיל, זמן החשיפה וסוג הדפדפן לבין הסבירות שמשתמש ילחץ על מודעה.

דרישות מוקדמות

כדי להשלים את ה-codelab הזה, תצטרכו מספיק נתונים איכותיים מהקמפיינים כדי ליצור מודל.

2. בחירת קמפיין

מתחילים בבחירת קמפיין ישן שמכיל כמות גדולה של נתונים באיכות גבוהה. אם אתם לא יודעים לאיזה קמפיין יש סיכוי גבוה יותר לספק את הנתונים הכי טובים, כדאי להריץ את השאילתה הבאה על הנתונים מהחודש המלא הכי ישן שיש לכם גישה אליו:

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

ORDER BY user_count DESC;

בחירה של נתונים ישנים יותר מאפשרת לכם לאמן את המודל ולבדוק אותו על נתונים שיוסרו בקרוב מ-Ads Data Hub. אם נתקלתם במגבלות על אימון מודלים על הנתונים האלה, המגבלות יסתיימו כשהנתונים יימחקו.

אם הקמפיין פעיל במיוחד, יכול להיות ששבוע של נתונים יספיק. לבסוף, מספר המשתמשים הייחודיים צריך להיות 100,000 או יותר, במיוחד אם אתם מאמנים את המודל באמצעות הרבה תכונות.

3. יצירת טבלה זמנית

אחרי שמזהים את הקמפיין שבו רוצים להשתמש כדי לאמן את המודל, מריצים את השאילתה שבהמשך.

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_creative_conversions 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. יצירה ואימון של מודל

מומלץ להפריד בין השלבים של יצירת הטבלה לבין השלבים של יצירת המודל.

מריצים את השאילתה הבאה בטבלה הזמנית שיצרתם בשלב הקודם. אין צורך לציין תאריכי התחלה וסיום, כי הם יוסקו על סמך הנתונים בטבלה הזמנית.

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. פירוש התוצאות

בסיום ההרצה של השאילתה, תוצג טבלה שדומה לטבלה שלמטה. התוצאות מהקמפיין יהיו שונות.

שורה	דיוק	recall	דיוק	f1_score	log_loss	roc_auc
1	0.53083894341399718	0.28427804486705865	0.54530547622568992	0.370267971696336	0.68728232223722974	0.55236263736263735

בדיקת המשקלים

מריצים את השאילתה הבאה כדי לבדוק את המשקלים ולראות אילו תכונות תורמות לסיכוי של המודל לחזות קליק:

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

השאילתה תפיק תוצאות דומות לאלה שמופיעות בהמשך. שימו לב ש-BigQuery ימיין את התוויות שצוינו ויבחר את התווית 'הקטנה' ביותר להיות 0 ואת התווית הגדולה ביותר להיות 1. בדוגמה הזו, הערך של clicked הוא 0 ושל not_clicked הוא 1. לכן, משקל גבוה יותר מצביע על כך שהתכונה מפחיתה את הסבירות לקליקים. בנוסף, היום הראשון מתאים ליום ראשון.

processed_input	משקל	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
			אחר -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

Codelab בנושא רגרסיה לוגיסטית קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.