Codelab de regressão logística

1. Introdução

Este codelab ensina a usar a regressão logística para entender a relação entre recursos como gênero, idade, tempo de impressão e tipo de navegador e a probabilidade de alguém clicar em um anúncio.

Pré-requisitos

Para concluir este codelab, você precisará de dados suficientes de campanha de alta qualidade para criar um modelo.

2. Escolher uma campanha

Comece selecionando uma campanha antiga que tenha uma grande quantidade de dados de alta qualidade. Se você não sabe qual campanha tem os melhores dados, faça a seguinte consulta no mês completo mais antigo a que você tem acesso:

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

ORDER BY user_count DESC;

Ao usar dados de 12 a 13 meses atrás, você pode treinar e testar seu modelo com informações que vão ser removidas em breve do Ads Data Hub. Se houver limites de treinamento de modelo, eles não vão mais existir quando os dados forem excluídos.

Se a sua campanha for bem ativa, uma semana de dados será suficiente. Por fim, o número de usuários distintos precisa ser de 100.000 ou mais, principalmente se você estiver fazendo um treinamento com muitos recursos.

3. Criar uma tabela temporária

Depois de identificar a campanha que vai ser usada para treinar o modelo, execute a consulta abaixo.

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. Criar e treinar um modelo

Recomendamos separar as etapas de criação das tabelas e dos modelos.

Faça a consulta abaixo na tabela temporária que você criou na etapa anterior. As datas de início e término vão ser inferidas com base nos dados da tabela temporária.

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. Interpretar resultados

Quando a consulta for concluída, uma tabela semelhante à mostrada abaixo vai aparecer. Os resultados da sua campanha são diferentes.

Linha

precision

recall

accuracy

f1_score

log_loss

roc_auc

1

0.53083894341399718

0.28427804486705865

0.54530547622568992

0.370267971696336

0.68728232223722974

0.55236263736263735

Examinar ponderações

Faça a consulta a seguir para analisar as ponderações e saber quais recursos contribuem para a probabilidade de o seu modelo prever um clique:

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

A consulta vai produzir resultados semelhantes a estes. O BigQuery classifica os rótulos fornecidos e identifica o "menor" como 0 e o maior como 1. Neste exemplo, "clicked" é 0 e "not_clicked" é 1. Portanto, interprete ponderações maiores como uma indicação de que o recurso torna os cliques menos prováveis. Além disso, o dia 1 corresponde ao 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