Modelo de regresión para las listas de público

Puedes realizar predicciones con un modelo de regresión lineal o logística existente con pesos conocidos sin usar ML.PREDICT, incluso sin acceso al modelo en sí. Para ello, debes usar una solución alternativa para usar modelos de regresión con privacidad diferencial (DP) dentro de las consultas de activación de públicos en Centro de Datos de Anuncios.

En este ejemplo paso a paso, aprenderás a realizar la inferencia simulada para los modelos de regresión logística lineal y binaria reales, y, luego, compararás los resultados con los de ML.PREDICT para mostrar la exactitud de los resultados simulados. También se mostrará un ejemplo práctico de cómo crear una lista de público con un modelo logístico binario, que se usaría para aplicar un modelo de conversión a la activación del público.

Descripción general del ejemplo:

  1. Genera datos
  2. Entrena el modelo
  3. Obtén los pesos y la intersección
  4. Simula la predicción
  5. Comparar resultados

Ejemplo paso a paso

1. Genera datos

Crea una tabla con datos simulados para entrenar el modelo. Marca una fracción de las filas para el conjunto de datos de exclusión.

Regresión lineal

CREATE OR REPLACE TABLE DATASET_NAME.LIN_REG_TRAINING_SET AS
  WITH
  A AS (
    SELECT
      *
    FROM
      UNNEST(GENERATE_ARRAY(1, 100000)) AS row_number),
  B AS (
    SELECT
      row_number,
      RAND() AS rand_label,
      RAND() AS rand_feature_1,
      RAND() AS rand_feature_2,
      RAND() AS rand_feature_3,
      RAND() AS rand_feature_4,
      RAND() AS rand_feature_5,
      RAND() AS rand_feature_6,
      RAND() AS rand_feature_7,
      RAND() AS rand_feature_8,
      RAND() AS rand_feature_9,
      RAND() AS rand_feature_10
    FROM
      A),
  C AS (
    SELECT
      rand_label AS label,
      *
    FROM
      B),
  D AS (
    SELECT
    row_number,
    CAST(round(10 * label) AS INT64) AS label,
    (rand_label + rand_feature_1) / 2 AS feature_1,
    (rand_label + rand_feature_2) / 2 AS feature_2,
    (rand_label + rand_feature_3) / 2 AS feature_3,
    (rand_label + rand_feature_4) / 2 AS feature_4,
    (rand_label + rand_feature_5) / 2 AS feature_5,
    (rand_label + rand_feature_6) / 2 AS feature_6,
    (rand_label + rand_feature_7) / 2 AS feature_7,
    (rand_label + rand_feature_8) / 2 AS feature_8,
    (rand_label + rand_feature_9) / 2 AS feature_9,
    (rand_label + rand_feature_10) / 2 AS feature_10
    FROM
    C)

SELECT
  label,
  feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10,
  RAND() < 0.1 AS holdback -- Ten percent will be true.
FROM
  D

Regresión logística binaria

SELECT
  CASE
    WHEN label < 5 THEN 0
    WHEN label >= 5 THEN 1
  END
  AS label,
  * EXCEPT (label)
FROM
  `DATASET_NAME.BIN_LOG_REG_TRAINING_SET`

2. Entrena el modelo

Entrena un modelo de regresión a partir del conjunto de entrenamiento.

Regresión lineal

CREATE OR REPLACE MODEL `DATASET_NAME.LIN_REG_MODEL` OPTIONS (model_type="linear_reg") AS
  SELECT
    * except (holdback)
  FROM
    `DATASET_NAME.LIN_REG_TRAINING_SET`
  WHERE
    NOT holdback

Ten en cuenta que agregamos suficiente ruido a los datos simulados para obtener un modelo con R2 = 0.9009.

Medición Valor
Error absoluto medio 0.7359
Error cuadrático medio 0.8432
Error logarítmico cuadrático medio 0.0810
Mediana de error absoluto 0.6239
R al cuadrado 0.9009

Regresión logística binaria

CREATE OR REPLACE MODEL `DATASET_NAME.BIN_LOG_REG_MODEL` OPTIONS (model_type="logistic_reg") AS
  SELECT
    * EXCEPT (holdback)
  FROM
    `DATASET_NAME.BIN_LOG_REG_TRAINING_SET`
  WHERE
    NOT holdback

Resultados de muestra Observa la exactitud de 0.9260.

Medición Valor
Clase positiva 1
Clase negativa 0
Precisión 0.0810
Recuperación 0.9315
Exactitud 0.9260
Puntuación F1 0.9328

Los valores en negrita de esta matriz de confusión muestran la frecuencia con la que el modelo clasificó correctamente cada etiqueta, y los valores sin negrita muestran la frecuencia con la que el modelo clasificó incorrectamente cada etiqueta.

Etiqueta de confianza Etiqueta predicha 1 Etiqueta predicha 2
1 93% 7%
0 8% 92%

3. Obtén los pesos y la intersección

Obtén los pesos y la intersección del modelo:

Regresión lineal

SELECT
  *
FROM
  ML.WEIGHTS(MODEL `DATASET_NAME.LIN_REG_MODEL`)
peso category_weights.category
feature_1 1.8263055528635743
feature_2 1.8143804404490813
feature_3 1.8601204874033492
feature_4 1.8507603439031859
feature_5 1.7899764387123640
feature_6 1.8645246630251291
feature_7 1.8698005281925356
feature_8 1.7904637080330201
feature_9 1.8036887855406274
feature_10 1.8117115890624449
INTERCEPT -4.1428754911504306

Regresión logística binaria

SELECT
  *
FROM
  ML.WEIGHTS(MODEL `DATASET_NAME.BIN_LOG_REG_MODEL`)
peso category_weights.category
feature_1 3.823533928
feature_2 3.734812819
feature_3 3.842239823
feature_4 3.785488823
feature_5 3.737386716
feature_6 3.567663961
feature_7 3.819643052
feature_8 3.734673763
feature_9 3.839301406
feature_10 3.787306994
INTERCEPT -17.922169920

4. Simula la predicción

Regresión lineal

Usa el producto escalar de los valores de las características con los pesos y agrega la intersección para realizar la predicción con SQL estándar sin usar ML.PREDICT. Esta consulta compara las predicciones que se obtienen con esta técnica con las que se obtienen con ML.PREDICT. Observa cómo las líneas de SQL en negrita realizan el producto escalar de los valores de los atributos para la fila con los pesos del modelo y, luego, agregan la intersección.

WITH
T AS (
SELECT
  label AS actual_label,
  predicted_label AS ml_predicted_label,
  [feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10] AS features,
  [1.8263055528635743,
  1.8143804404490813,
  1.8601204874033492,
  1.8507603439031859,
  1.789976438712364,
  1.8645246630251291,
  1.8698005281925356,
  1.7904637080330201,
  1.8036887855406274,
  1.8117115890624449] AS weights
FROM
  ML.PREDICT(MODEL `DATASET_NAME.LIN_REG_MODEL`,
    (
    SELECT
      *
    FROM
      `PROJECT_NAME.DATASET_NAME.LIN_REG_TRAINING_SET`))
WHERE
  holdback),
P AS (
SELECT
  actual_label,
  ml_predicted_label,
  (
   SELECT
    SUM(element1 * element2) - 4.1428754911504306
  FROM
    T.features element1
  WITH
  OFFSET
    pos
  JOIN
    T.weights element2
  WITH
  OFFSET
    pos
  USING
    (pos) ) sql_predicted_label,
  features,
  weights
FROM
  T)
SELECT
  actual_label,
  ml_predicted_label,
  sql_predicted_label,
  ABS(ml_predicted_label - sql_predicted_label) < 0.00000000001 AS diff_is_negligible
FROM
  P

Regresión logística binaria

En el caso de la regresión logística binaria, la técnica para simular las predicciones es muy similar a la de la regresión lineal, con la adición de aplicar la función sigmoidea en el último paso con el umbral deseado.

Usa el producto escalar de los valores de las características con los pesos y agrega la intersección para realizar la predicción con SQL estándar sin usar ML.PREDICT. Luego, usa la función sigmoidea con un umbral de 0.5 en el resultado para predecir 0 o 1. Esta consulta compara las predicciones que se obtienen con esta técnica con las que se obtienen con ML.PREDICT.

WITH
T AS (
SELECT
  label AS actual_label,
  predicted_label AS ml_predicted_label,
  [feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10] AS features,
  [3.8235339279050287,
  3.7348128191185244,
  3.8422398227859471,
  3.7854888232502479,
  3.7373867156553713,
  3.5676639605351026,
  3.8196430517007811,
  3.7346737628343032,
  3.8393014063170749,
  3.7873069939244743] AS weights
FROM
  ML.PREDICT(MODEL `DATASET_NAME.BIN_LOG_REG_MODEL`,
    (
    SELECT
      *
    FROM
      `PROJECT_NAME.DATASET_NAME.BIN_LOG_REG_TRAINING_SET`))
WHERE
  holdback),
P AS (
SELECT
  actual_label,
  ml_predicted_label,
  (
   SELECT
    IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)
  FROM
    T.features element1
  WITH
  OFFSET
    pos
  JOIN
    T.weights element2
  WITH
  OFFSET
    pos
  USING
    (pos) ) sql_predicted_label,
  features,
  weights
FROM
  T)
SELECT
  actual_label,
  ml_predicted_label,
  sql_predicted_label,
  ml_predicted_label = sql_predicted_label AS simulation_is_accurate
FROM
  P

El bloque de código SQL en negrita de la consulta anterior realiza el producto escalar de los valores de los atributos para cada fila con los pesos del modelo y agrega la intersección para obtener la predicción de regresión lineal:

IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)

Luego, aplica la función sigmoide Y = 1 / (1+e^-z) al producto escalar y a la intersección, con SQL estándar:

IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)

Por último, el resultado de la función sigmoidea se compara con el valor de umbral de 0.5 para llegar a la predicción de regresión logística binaria de 0, si es menor que 0.5, o 1, si no lo es. Ten en cuenta que puedes usar cualquier valor de umbral entre 0 y 1.

IF((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)

Esta técnica también se puede extender a la regresión logística multiclase. En ese caso, los pesos del modelo serán una matriz de nxn, en lugar de un vector, y los pesos serían un vector en lugar de un escalar. Multiplicarías el vector de valores de las características por la matriz de pesos y sumarías el vector de intersección. El vector resultante tendría una puntuación para cada etiqueta, y podrías elegir la etiqueta con la puntuación más alta para tu predicción. Si quisieras devolver un array de probabilidades, aplicarías la función sigmoide a cada elemento del array.

5. Comparar resultados

Regresión lineal

Los resultados de la muestra son casi idénticos, excepto por un pequeño error de redondeo.

actual_label ml_predicted_label sql_predicted_label diff_is_negligible
6 5.2062349420751834 5.2062349420751826 verdadero
0 0.40318472770048075 0.403184727700479 verdadero
3 3.0703766078249597 3.0703766078249597 verdadero
7 7.0588171538562 7.0588171538562 verdadero
6 6.7802375930646 6.7802375930646 verdadero
6 5.1088569571339368 5.1088569571339377 verdadero
4 4.051839078116874 4.051839078116874 verdadero
4 5.1810254680219243 5.1810254680219234 verdadero
6 6.1440349466401223 6.1440349466401205 verdadero
1 2.0842399472783519 2.0842399472783519 verdadero
2 2.1911209811886847 2.1911209811886838 verdadero
3 3.0236086790006622 3.0236086790006613 verdadero
2 2.573083132964213 2.5730831329642125 verdadero
7 5.68662973136732 5.6866297313673186 verdadero
9 8.1860026312677938 8.1860026312677938 verdadero

Regresión logística binaria

La comparación de la inferencia simulada con los resultados reales de ML.PREDICT es perfecta: no hay una sola contradicción en el conjunto de datos de exclusión de 10,000 filas. Hay algunas filas en las que tanto ML.PREDICT como la inferencia simulada no coinciden con la etiqueta real, y eso es lo esperado, ya que la exactitud del modelo es de aproximadamente el 93% y hay valores pequeños, pero distintos de cero, en las celdas fuera de la diagonal de la matriz de confusión.

actual_label ml_predicted_label sql_predicted_label simulation_is_accurate
0 1 1 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 0 0 verdadero
0 1 1 verdadero
0 0 0 verdadero

Crea una lista de activación del público con AA

Un caso de uso típico sería crear un modelo de regresión logística binaria con privacidad diferencial para predecir conversiones y, luego, aplicar la inferencia en este modelo mientras se crea una lista de público. Supongamos que el modelo de regresión logística binaria creado en el ejemplo anterior modela las conversiones y que cada fila de los conjuntos de entrenamiento y evaluación representa a un usuario distinto.

En la siguiente consulta, se muestra cómo crear una lista de público con los usuarios que, según la predicción del modelo, realizarán conversiones:

WITH
T AS (
SELECT
  *,
  label AS actual_label,
  [feature_1,
  feature_2,
  feature_3,
  feature_4,
  feature_5,
  feature_6,
  feature_7,
  feature_8,
  feature_9,
  feature_10] AS features,
  [3.8235339279050287,
  3.7348128191185244,
  3.8422398227859471,
  3.7854888232502479,
  3.7373867156553713,
  3.5676639605351026,
  3.8196430517007811,
  3.7346737628343032,
  3.8393014063170749,
  3.7873069939244743] AS weights
FROM
  `PROJECT_NAME.DATASET_NAME.BIN_LOG_REG_TRAINING_SET`
WHERE
  holdback),
P AS (
SELECT
  *,
  (
  SELECT
  IF
    ((1 / (1 + EXP(-(SUM(element1 * element2) -17.922169920432161)))) < 0.5, 0, 1)
  FROM
    T.features element1
  WITH
  OFFSET
    pos
  JOIN
    T.weights element2
  WITH
  OFFSET
    pos
  USING
    (pos) ) predicted_label,
  features,
  weights
FROM
  T),
SELECT
  user_id
FROM
  P
WHERE
  predicted_label = 1;