Guida rapida: creare modelli di machine learning in BigQuery ML

Crea modelli di machine learning in BigQuery ML

Questo tutorial illustra a BigQuery ML come utilizzare Google Cloud Console.

BigQuery ML consente agli utenti di creare ed eseguire modelli di machine learning in BigQuery utilizzando query SQL. L'obiettivo è democratizzare il machine learning consentendo ai professionisti SQL di creare modelli utilizzando gli strumenti esistenti e di aumentare la velocità di sviluppo eliminando la necessità di spostamento dei dati.

In questo tutorial, utilizzerai l'esempio Set di dati di esempio Google Analytics per BigQuery per creare un modello che prevede se un visitatore del sito web effettuerà una transazione. Per informazioni sullo schema del set di dati di Analytics, consulta lo schema di BigQuery Export nel Centro assistenza Google Analytics.

Obiettivi

In questo tutorial utilizzerai:

  • BigQuery ML per creare un modello di regressione logistica binaria utilizzando l'istruzione CREATE MODEL
  • La funzione ML.EVALUATE per valutare il modello di machine learning
  • La funzione ML.PREDICT per fare previsioni utilizzando il modello ML

Costi

Questo tutorial utilizza i componenti fatturabili di Cloud Platform, tra cui:

  • BigQuery
  • BigQuery ML

Per ulteriori informazioni sui costi di BigQuery, consulta la pagina Prezzi di BigQuery.

Per ulteriori informazioni sui costi di BigQuery ML, consulta la pagina Prezzi di BigQuery ML.

Prima di iniziare

  1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
  2. Nella pagina del selettore dei progetti in Google Cloud Console, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  3. Assicurati che la fatturazione sia attivata per il tuo progetto Cloud. Scopri come verificare se la fatturazione è abilitata su un progetto.

  4. Nella pagina del selettore dei progetti in Google Cloud Console, seleziona o crea un progetto Google Cloud.

    Vai al selettore progetti

  5. Assicurati che la fatturazione sia attivata per il tuo progetto Cloud. Scopri come verificare se la fatturazione è abilitata su un progetto.

  6. BigQuery viene abilitato automaticamente nei nuovi progetti. Per attivare BigQuery in un progetto preesistente, vai a

    Attiva l'API BigQuery.

    Abilita l'API

Passaggio 1: crea il set di dati

Il primo passaggio consiste nel creare un set di dati BigQuery per archiviare il tuo modello di machine learning. Per creare il tuo set di dati:

  1. In Cloud Console, vai alla pagina BigQuery.

    Vai alla pagina BigQuery

  2. Nella sezione Risorse del pannello di navigazione, fai clic sul nome del progetto.

  3. Sul lato destro, fai clic su Crea set di dati nel riquadro dei dettagli.

    Crea set di dati

  4. Nella pagina Crea set di dati:

    • In ID set di dati, inserisci bqml_tutorial.
    • In Località dei dati, scegli Stati Uniti (US). Attualmente, i set di dati pubblici sono archiviati nella località a più aree geografiche US. Per semplicità, il set di dati deve essere nella stessa posizione.

      Crea pagina di set di dati

  5. Lascia invariate tutte le altre impostazioni predefinite e fai clic su Crea set di dati.

Passaggio 2: crea il modello

Poi crea un modello di regressione logistica utilizzando il set di dati campione di Google Analytics per BigQuery. La seguente query SQL standard viene utilizzata per creare il modello che utilizzi per prevedere se un visitatore del sito web effettuerà una transazione.

#standardSQL
CREATE MODEL `bqml_tutorial.sample_model`
OPTIONS(model_type='logistic_reg') AS
SELECT
  IF(totals.transactions IS NULL, 0, 1) AS label,
  IFNULL(device.operatingSystem, "") AS os,
  device.isMobile AS is_mobile,
  IFNULL(geoNetwork.country, "") AS country,
  IFNULL(totals.pageviews, 0) AS pageviews
FROM
  `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
  _TABLE_SUFFIX BETWEEN '20160801' AND '20170630'

Oltre a creare il modello, esegui una query che contiene l'istruzione CREATE MODEL per addestrare il modello utilizzando i dati recuperati dall'istruzione SELECT della query.

Dettagli query

La clausola CREATE MODEL viene utilizzata per creare e addestrare il modello denominato bqml_tutorial.sample_model.

La clausola OPTIONS(model_type='logistic_reg') indica che stai creando un modello di regressione logistica. Un modello di regressione logistica tenta di suddividere i dati di input in due classi e fornisce la probabilità che i dati si trovino in una delle classi. In genere, ciò che stai cercando di rilevare (ad esempio se un'email è spam) è rappresentato da 1, mentre tutti gli altri sono rappresentati da 0. Se il modello di regressione logistica genera 0,9, c'è una probabilità del 90% che l'input sia quello che stai tentando di rilevare (l'email è spam).

L'istruzione SELECT di questa query recupera le seguenti colonne utilizzate dal modello per prevedere la probabilità che un cliente completi una transazione:

  • totals.transactions: il numero totale di transazioni e-commerce della sessione. Se il numero di transazioni è NULL, il valore nella colonna label è impostato su 0. In caso contrario, è impostato su 1. Questi valori rappresentano i possibili risultati. La creazione di un alias denominato label è un'alternativa all'impostazione dell'opzione input_label_cols= nell'istruzione CREATE MODEL.
  • device.operatingSystem: il sistema operativo del dispositivo del visitatore.
  • device.isMobile: indica se il dispositivo del visitatore è un dispositivo mobile.
  • geoNetwork.country: il paese in cui hanno avuto origine le sessioni, in base all'indirizzo IP.
  • totals.pageviews: il numero totale di visualizzazioni di pagina durante la sessione.

La clausola FROM - bigquery-public-data.google_analytics_sample.ga_sessions_* indica che stai eseguendo una query sul set di dati di esempio di Google Analytics. Questo set di dati è nel progetto bigquery-public-data. Stai eseguendo una query su un set di tabelle partizionate in base alla data. È rappresentato dal carattere jolly nel nome della tabella: google_analytics_sample.ga_sessions_*.

La clausola WHERE_TABLE_SUFFIX BETWEEN '20160801' AND '20170630' limita il numero di tabelle analizzate dalla query. L'intervallo di date selezionato è compreso tra il 1° agosto 2016 e il 30 giugno 2017.

Esegui la query CREATE MODEL

Per eseguire la query CREATE MODEL per creare e addestrare il modello:

  1. In Cloud Console, fai clic sul pulsante Crea nuova query. Se questo testo non è disponibile per il clic, l'Editor query è già aperto.

    Pulsante Scrivi query

  2. Inserisci la seguente query SQL standard nell'area di testo Editor query.

    #standardSQL
    CREATE MODEL `bqml_tutorial.sample_model`
    OPTIONS(model_type='logistic_reg') AS
    SELECT
      IF(totals.transactions IS NULL, 0, 1) AS label,
      IFNULL(device.operatingSystem, "") AS os,
      device.isMobile AS is_mobile,
      IFNULL(geoNetwork.country, "") AS country,
      IFNULL(totals.pageviews, 0) AS pageviews
    FROM
      `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    WHERE
      _TABLE_SUFFIX BETWEEN '20160801' AND '20170630'
    
  3. Fai clic su Esegui.

    L'esecuzione della query richiede diversi minuti. Una volta completata la prima iterazione, il tuo modello (sample_model) viene visualizzato nel pannello di navigazione. Poiché la query utilizza un'istruzione CREATE MODEL per creare un modello, non vedi i risultati delle query.

    Puoi osservare il modello mentre viene addestrato visualizzando la scheda Statistiche del modello. La scheda viene aggiornata al termine dell'iterazione. Le statistiche continuano ad aggiornarsi al termine di ogni iterazione.

(Facoltativo) Passaggio 3: ricevi le statistiche di addestramento

Per visualizzare i risultati dell'addestramento del modello, puoi utilizzare la funzione ML.TRAINING_INFO o visualizzare le statistiche in Cloud Console. In questo tutorial utilizzerai Cloud Console.

Il machine learning consiste nella creazione di un modello che può utilizzare i dati per fare una previsione. Il modello è essenzialmente una funzione che accetta input e applica calcoli a un output per produrre un output: una previsione.

Gli algoritmi di machine learning utilizzano diversi esempi di cui la previsione è già nota (come i dati storici degli acquisti degli utenti) e modificano in modo iterativo varie ponderazioni nel modello in modo che le previsioni del modello corrispondano ai valori reali. Per riuscirci, minimizza il modo in cui il modello usa una metrica chiamata perdita.

Ci si aspetta che per ogni iterazione la perdita dovrebbe diminuire (preferibilmente a zero). Una perdita pari a zero indica che il modello è preciso al 100%.

Per visualizzare le statistiche di addestramento del modello generate quando hai eseguito la query CREATE MODEL:

  1. Nel riquadro di navigazione di Cloud Console, nella sezione Risorse, espandi [PROJECT_ID] > bqml_tutorial e fai clic su sample_model.

  2. Fai clic sulla scheda Statistiche del modello. Il risultato dovrebbe essere simile all'esempio seguente:

    Output ML.TRAINING_INFO

    La colonna Perdita di dati di addestramento rappresenta la metrica relativa alla perdita calcolata dopo l'iterazione specificata nel set di dati di addestramento. Poiché hai eseguito una regressione logistica, questa colonna è la perdita di log. La colonna Perdita di dati di valutazione corrisponde alla stessa metrica di perdita calcolata sul set di dati holdout (dati bloccati dall'addestramento per convalidare il modello).

    BigQuery ML suddivide automaticamente i dati di input in un set di addestramento e in un set di conservazione per evitare l'overfitting del modello. Questa operazione è necessaria per permettere all'algoritmo di addestramento di personalizzare i dati noti per ignorarli.

    La perdita di dati di addestramento e la perdita di dati di valutazione sono valori di perdita medi, calcolati come media su tutti gli esempi nei rispettivi set.

    Per maggiori dettagli sulla funzione ML.TRAINING_INFO, consulta il riferimento sulla sintassi di BigQuery ML.

Passaggio 4: valuta il modello

Dopo aver creato il modello, valuti le prestazioni della categoria di classificazione utilizzando la funzione ML.EVALUATE. La funzione ML.EVALUATE valuta i valori previsti rispetto ai dati effettivi. Puoi anche utilizzare la funzione ML.ROC_CURVE per le metriche specifiche di regressione logistica.

In questo tutorial utilizzerai un modello di classificazione binari che rileva le transazioni. Le due classi sono i valori nella colonna label: 0 (nessuna transazione) e 1 (transazione effettuata).

La query utilizzata per valutare il modello è la seguente:

#standardSQL
SELECT
  *
FROM
  ML.EVALUATE(MODEL `bqml_tutorial.sample_model`, (
SELECT
  IF(totals.transactions IS NULL, 0, 1) AS label,
  IFNULL(device.operatingSystem, "") AS os,
  device.isMobile AS is_mobile,
  IFNULL(geoNetwork.country, "") AS country,
  IFNULL(totals.pageviews, 0) AS pageviews
FROM
  `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
  _TABLE_SUFFIX BETWEEN '20170701' AND '20170801'))

Dettagli query

L'istruzione SELECT più in alto recupera le colonne dal modello.

La clausola FROM utilizza la funzione ML.EVALUATE sul tuo modello: bqml_tutorial.sample_model.

L'istruzione SELECT e la clausola FROM nidificate di questa query sono le stesse della query CREATE MODEL.

La clausola WHERE_TABLE_SUFFIX BETWEEN '20170701' AND '20170801' limita il numero di tabelle analizzate dalla query. L'intervallo di date è compreso tra il 1° luglio e il 1° agosto 2017. Questi sono i dati che utilizzi per valutare le prestazioni predittive del modello. È stato raccolto nel mese immediatamente successivo al periodo di tempo definito dai dati di addestramento.

Esegui la query ML.EVALUATE

Per eseguire la query ML.EVALUATE che valuta il modello:

  1. In Cloud Console, fai clic sul pulsante Crea nuova query.

  2. Inserisci la seguente query SQL standard nell'area di testo Editor query.

    #standardSQL
    SELECT
      *
    FROM
      ML.EVALUATE(MODEL `bqml_tutorial.sample_model`, (
    SELECT
      IF(totals.transactions IS NULL, 0, 1) AS label,
      IFNULL(device.operatingSystem, "") AS os,
      device.isMobile AS is_mobile,
      IFNULL(geoNetwork.country, "") AS country,
      IFNULL(totals.pageviews, 0) AS pageviews
    FROM
      `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    WHERE
      _TABLE_SUFFIX BETWEEN '20170701' AND '20170801'))
    
  3. Fai clic su Esegui.

  4. Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. Il risultato dovrebbe essere simile all'esempio seguente:

    +--------------------+---------------------+--------------------+--------------------+---------------------+----------+
    |     precision      |       recall        |      accuracy      |      f1_score      |      log_loss       | roc_auc  |
    +--------------------+---------------------+--------------------+--------------------+---------------------+----------+
    | 0.4451901565995526 | 0.08879964301651048 | 0.9716829479411401 | 0.1480654761904762 | 0.07921781778780206 | 0.970706 |
    +--------------------+---------------------+--------------------+--------------------+---------------------+----------+
    

    Poiché hai eseguito una regressione logistica, i risultati includono le seguenti colonne:

    • precision: una metrica per i modelli di classificazione. La precisione identifica la frequenza con cui un modello era corretto durante la previsione della classe positiva.
    • recall - Metrica per i modelli di classificazione che risponde alla seguente domanda: Tra tutte le possibili etichette positive, quante sono state identificate correttamente il modello?
    • accuracy - L'accuratezza è la frazione delle previsioni che un modello di classificazione ha confermato.
    • f1_score: una misura dell'accuratezza del modello. Il punteggio f1 è la media armonica della precisione e del richiamo. Il miglior punteggio di f1 è 1. Il valore peggiore è 0.
    • log_loss - La funzione di perdita utilizzata in una regressione logistica. Questa è la misura della distanza delle previsioni del modello dalle etichette corrette.
    • roc_auc: l'area sotto la curva ROC. Questa è la probabilità che un classificatore sia più sicuro che un esempio positivo scelto in modo casuale sia effettivamente positivo rispetto a un esempio negativo scelto in modo casuale. Per ulteriori informazioni, consulta la sezione Classificazione del corso sugli arresti anomali del machine learning.

Passaggio 5: utilizza il modello per prevedere i risultati

Ora che hai valutato il tuo modello, il passaggio successivo è utilizzarlo per prevedere un risultato. Utilizza il tuo modello per prevedere il numero di transazioni effettuate dai visitatori del sito web di ogni paese.

La query utilizzata per prevedere il risultato è la seguente:

#standardSQL
SELECT
  country,
  SUM(predicted_label) as total_predicted_purchases
FROM
  ML.PREDICT(MODEL `bqml_tutorial.sample_model`, (
SELECT
  IFNULL(device.operatingSystem, "") AS os,
  device.isMobile AS is_mobile,
  IFNULL(totals.pageviews, 0) AS pageviews,
  IFNULL(geoNetwork.country, "") AS country
FROM
  `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
  _TABLE_SUFFIX BETWEEN '20170701' AND '20170801'))
GROUP BY country
ORDER BY total_predicted_purchases DESC
LIMIT 10

Dettagli query

L'istruzione SELECT più in alto recupera la colonna country e somma la colonna predicted_label. Questa colonna è generata dalla funzione ML.PREDICT. Quando utilizzi la funzione ML.PREDICT, il nome della colonna di output per il modello è predicted_<label_column_name>. Per i modelli di regressione lineare, predicted_label è il valore stimato di label. Per i modelli di regressione logistica, predicted_label è l'etichetta più probabile, che in questo caso è 0 o 1.

La funzione ML.PREDICT viene utilizzata per prevedere i risultati utilizzando il tuo modello: bqml_tutorial.sample_model.

L'istruzione SELECT e la clausola FROM nidificate di questa query sono le stesse della query CREATE MODEL.

La clausola WHERE_TABLE_SUFFIX BETWEEN '20170701' AND '20170801' limita il numero di tabelle analizzate dalla query. L'intervallo di date è compreso tra il 1° luglio e il 1° agosto 2017. Questi sono i dati per i quali stai effettuando previsioni. È stato raccolto nel mese immediatamente successivo al periodo di tempo definito dai dati di addestramento.

Le clausole GROUP BY e ORDER BY raggruppano i risultati per paese e li ordinano in base alla somma degli acquisti previsti in ordine decrescente.

La clausola LIMIT viene utilizzata qui per visualizzare solo i primi 10 risultati.

Esegui la query ML.PREDICT

Per eseguire la query che utilizza il modello per prevedere un risultato:

  1. In Cloud Console, fai clic sul pulsante Crea nuova query.

  2. Inserisci la seguente query SQL standard nell'area di testo Editor query.

    #standardSQL
    SELECT
      country,
      SUM(predicted_label) as total_predicted_purchases
    FROM
      ML.PREDICT(MODEL `bqml_tutorial.sample_model`, (
    SELECT
      IFNULL(device.operatingSystem, "") AS os,
      device.isMobile AS is_mobile,
      IFNULL(totals.pageviews, 0) AS pageviews,
      IFNULL(geoNetwork.country, "") AS country
    FROM
      `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    WHERE
      _TABLE_SUFFIX BETWEEN '20170701' AND '20170801'))
    GROUP BY country
    ORDER BY total_predicted_purchases DESC
    LIMIT 10
    
  3. Fai clic su Esegui.

  4. Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. Il risultato dovrebbe essere simile all'esempio seguente:

    +----------------+---------------------------+
    |    country     | total_predicted_purchases |
    +----------------+---------------------------+
    | United States  |                       209 |
    | Taiwan         |                         6 |
    | Canada         |                         4 |
    | Turkey         |                         2 |
    | India          |                         2 |
    | Japan          |                         2 |
    | Indonesia      |                         1 |
    | United Kingdom |                         1 |
    | Guyana         |                         1 |
    +----------------+---------------------------+
    

(Facoltativo) Prevedi gli acquisti per utente

In questo esempio, provi a prevedere il numero di transazioni che ogni visitatore del sito web effettuerà. Questa query è identica alla query precedente, ad eccezione della clausola GROUP BY. In questo caso la clausola GROUP BY, ovvero GROUP BY fullVisitorId, viene utilizzata per raggruppare i risultati in base all'ID visitatore.

Per eseguire la query:

  1. In Cloud Console, fai clic sul pulsante Crea nuova query.

  2. Inserisci la seguente query SQL standard nell'area di testo Editor query.

    #standardSQL
    SELECT
      fullVisitorId,
      SUM(predicted_label) as total_predicted_purchases
    FROM
      ML.PREDICT(MODEL `bqml_tutorial.sample_model`, (
    SELECT
      IFNULL(device.operatingSystem, "") AS os,
      device.isMobile AS is_mobile,
      IFNULL(totals.pageviews, 0) AS pageviews,
      IFNULL(geoNetwork.country, "") AS country,
      fullVisitorId
    FROM
      `bigquery-public-data.google_analytics_sample.ga_sessions_*`
    WHERE
      _TABLE_SUFFIX BETWEEN '20170701' AND '20170801'))
    GROUP BY fullVisitorId
    ORDER BY total_predicted_purchases DESC
    LIMIT 10
    
  3. Fai clic su Esegui.

  4. Una volta completata la query, fai clic sulla scheda Risultati sotto l'area di testo della query. Il risultato dovrebbe essere simile all'esempio seguente:

    +---------------------+---------------------------+
    |    fullVisitorId    | total_predicted_purchases |
    +---------------------+---------------------------+
    | 9417857471295131045 |                         4 |
    | 2158257269735455737 |                         3 |
    | 5073919761051630191 |                         3 |
    | 7104098063250586249 |                         2 |
    | 4668039979320382648 |                         2 |
    | 1280993661204347450 |                         2 |
    | 7701613595320832147 |                         2 |
    | 0376394056092189113 |                         2 |
    | 9097465012770697796 |                         2 |
    | 4419259211147428491 |                         2 |
    +---------------------+---------------------------+
    

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questa pagina, segui questi passaggi.

  • Puoi eliminare il progetto creato.
  • In alternativa, puoi mantenere il progetto ed eliminare il set di dati.

Eliminazione del set di dati

L'eliminazione del progetto comporta la rimozione di tutti i set di dati e di tutte le tabelle al suo interno. Se preferisci riutilizzare il progetto, puoi eliminare il set di dati che hai creato in questo tutorial:

  1. Se necessario, apri la pagina BigQuery in Cloud Console.

    Vai alla pagina BigQuery

  2. Nella barra di navigazione, seleziona il set di dati bqml_tutorial che hai creato.

  3. Fai clic su Elimina set di dati sul lato destro della finestra. Questa azione elimina il set di dati, la tabella e tutti i dati.

    Elimina set di dati

  4. Nella finestra di dialogo Elimina set di dati, conferma il comando Elimina digitando il nome del tuo set di dati (bqml_tutorial) e fai clic su Elimina.

Eliminazione del progetto

Per eliminare il progetto:

  1. In Cloud Console, vai alla pagina Gestisci risorse.

    Vai a Gestisci risorse

  2. Nell'elenco dei progetti, seleziona il progetto da eliminare, quindi fai clic su Elimina.
  3. Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

Passaggi successivi