Neste tutorial, você usa um modelo de regressão logística binário no BigQuery ML para prever a faixa de renda de indivíduos com base nos dados demográficos deles. Um modelo de regressão logística binária prevê se um valor se enquadra em uma das duas categorias. Nesse caso, se a renda anual de um indivíduo fica acima ou abaixo de US$ 50.000.
Neste tutorial, usamos o conjunto de dados bigquery-public-data.ml_datasets.census_adult_income
. Esse conjunto contém as informações demográficas e de renda de residentes dos EUA entre 2000 e 2010.
Objetivos
Neste tutorial, você realizará as seguintes tarefas:- Criar um modelo de regressão logística
- Avaliar o modelo.
- Fazer previsões usando o modelo.
- Explicar os resultados produzidos pelo modelo.
Custos
Neste tutorial, há componentes faturáveis do Google Cloud, entre eles:
- BigQuery
- BigQuery ML
Para mais informações sobre os custos do BigQuery, consulte a página de preços do BigQuery.
Para mais informações sobre os custos do BigQuery ML, consulte os preços do BigQuery ML.
Antes de começar
-
No console do Google Cloud, na página do seletor de projetos, selecione ou crie um projeto do Google Cloud.
-
Verifique se a cobrança está ativada para o seu projeto do Google Cloud.
-
Ative a API BigQuery.
Permissões necessárias
Para criar o modelo usando o BigQuery ML, você precisa das seguintes permissões do IAM:
bigquery.jobs.create
bigquery.models.create
bigquery.models.getData
bigquery.models.updateData
bigquery.models.updateMetadata
Para executar a inferência, você precisa das seguintes permissões:
bigquery.models.getData
no modelobigquery.jobs.create
Introdução
Uma tarefa comum do aprendizado de máquina é a classificação dos dados em um de dois tipos, conhecidos como rótulos. Por exemplo, talvez um revendedor queira prever se determinado cliente comprará um novo produto com base em outras informações sobre essa pessoa. Nesse caso, os dois rótulos podem ser will buy
e won't buy
. O varejista pode criar um conjunto de dados em que uma coluna represente os dois rótulos e também contenha informações do cliente, como localização do cliente, compras anteriores e preferências informadas. O varejista pode usar um modelo de regressão logística binária que usa as informações desses clientes para prever qual rótulo representa melhor cada cliente.
Neste tutorial, você cria um modelo de regressão logística binária que prevê se a renda de um entrevistado do censo dos EUA se enquadra em uma das duas faixas com base nos atributos demográficos do entrevistado.
Criar um conjunto de dados
Crie um conjunto de dados do BigQuery para armazenar o modelo:
No Console do Google Cloud, acesse a página BigQuery.
No painel Explorer, clique no nome do seu projeto.
Clique em
Conferir ações > Criar conjunto de dados.Na página Criar conjunto de dados, faça o seguinte:
Para o código do conjunto de dados, insira
census
.Em Tipo de local, selecione Multirregião e EUA (várias regiões nos Estados Unidos).
Os conjuntos de dados públicos são armazenados na multirregião
US
. Para simplificar, armazene seus conjuntos de dados no mesmo local.Mantenha as configurações padrão restantes e clique em Criar conjunto de dados.
analise os dados
Analise o conjunto de dados e identifique quais colunas usar como dados de treinamento para o modelo de regressão logística. Execute uma consulta
do GoogleSQL para retornar 100 linhas da tabela census_adult_income
:
No Console do Google Cloud, acesse a página BigQuery.
No Editor de consultas, execute esta consulta:
SELECT age, workclass, marital_status, education_num, occupation, hours_per_week, income_bracket, functional_weight FROM `bigquery-public-data.ml_datasets.census_adult_income` LIMIT 100;
A resposta deve ficar assim:
Os resultados da consulta mostram que a coluna income_bracket
na tabela census_adult_income
tem apenas um dos dois valores: <=50K
ou >50K
. A coluna functional_weight
é o número de indivíduos que a organização de censo acredita que uma linha específica representa. Os valores desta coluna
aparecem não relacionados ao valor de income_bracket
para uma linha específica.
Preparar os dados de amostra
Neste tutorial, você prevê a renda dos entrevistados do censo com base nos atributos abaixo:
- Idade
- Tipo de trabalho realizado
- Estado civil
- Grau de escolaridade
- Ocupação
- Horas trabalhadas por semana
Para isso, você cria uma visualização para conter os dados a serem usados para treinar e avaliar o modelo, além de fazer previsões.
Essa visualização é usada pela instrução CREATE MODEL
posteriormente neste
tutorial.
A consulta que cria a visualização extrai dados dos participantes do censo, incluindo education_num
, que representa o grau de escolaridade do entrevistado, e workclass
, que representa o tipo de trabalho que ele realiza. Essa consulta exclui várias colunas que duplicam dados: por exemplo, as colunas education
e education_num
na tabela census_adult_income
expressam os mesmos dados em formatos diferentes. Portanto, essa consulta exclui a coluna education
.
Uma nova coluna dataframe
é criada usando a coluna functional_weight
da tabela census_adult_income
para rotular 80% da fonte de dados para treinar o modelo e reserva os dados restantes para avaliação e previsão.
Execute a consulta que prepara os dados de amostra:
No Console do Google Cloud, acesse a página BigQuery.
No Editor de consultas, execute esta consulta:
CREATE OR REPLACE VIEW `census.input_data` AS SELECT age, workclass, marital_status, education_num, occupation, hours_per_week, income_bracket, CASE WHEN MOD(functional_weight, 10) < 8 THEN 'training' WHEN MOD(functional_weight, 10) = 8 THEN 'evaluation' WHEN MOD(functional_weight, 10) = 9 THEN 'prediction' END AS dataframe FROM `bigquery-public-data.ml_datasets.census_adult_income`
No painel Explorer, expanda o conjunto de dados
census
e localize a visualizaçãoinput_data
.Clique no nome da visualização para abrir o painel de informações. O esquema de visualização aparece na guia Esquema.
Criar um modelo de regressão logística
Crie um modelo de regressão logística usando a instrução CREATE MODEL
e especificando LOGISTIC_REG
para o tipo de modelo. Parte da criação do modelo inclui treinar o modelo nos dados de treinamento rotulados na seção anterior.
Confira abaixo informações úteis sobre a instrução CREATE MODEL
:
A opção
input_label_cols
especifica qual coluna na instruçãoSELECT
deve ser usada como a coluna de rótulo. Aqui, a coluna de rótulo éincome_bracket
, então o modelo aprende qual dos dois valores deincome_bracket
é mais provável para uma determinada linha com base nos outros valores presentes nessa linha.Não é necessário especificar se um modelo de regressão logística é binário ou multiclasse. O BigQuery pode determinar qual tipo de modelo treinar com base no número de valores exclusivos na coluna de rótulos.
A opção
auto_class_weights
está definida comoTRUE
para equilibrar os rótulos de classe nos dados de treinamento. Por padrão, esses dados não são ponderados. Se os rótulos nos dados de treinamento estiverem desequilibrados, o modelo poderá aprender a prever a classe mais comum de rótulos com mais intensidade. Nesse caso, a maioria dos entrevistados no conjunto de dados está na faixa de renda mais baixa. Isso pode levar a um modelo que prevê a faixa de renda mais baixa de maneira exagerada. Os pesos das classes equilibram os rótulos. Isso é feito por meio do cálculo dos pesos de cada classe em proporção inversa à frequência dessa classe.A instrução
SELECT
consulta a visualizaçãoinput_data
que contém os dados de treinamento. A cláusulaWHERE
filtra as linhas eminput_data
para que apenas as linhas rotuladas como dados de treinamento sejam usadas para treinar o modelo.
Execute a consulta que cria seu modelo de regressão logística:
No Console do Google Cloud, acesse a página BigQuery.
No Editor de consultas, execute esta consulta:
CREATE OR REPLACE MODEL `census.census_model` OPTIONS ( model_type='LOGISTIC_REG', auto_class_weights=TRUE, data_split_method='NO_SPLIT', input_label_cols=['income_bracket'], max_iterations=15) AS SELECT * EXCEPT(dataframe) FROM `census.input_data` WHERE dataframe = 'training'
No painel Explorer, expanda o conjunto de dados
census
e, em seguida, a pasta Modelos.Clique no modelo census_model para abrir o painel de informações.
Clique na guia Esquema. O esquema do modelo lista os atributos que o BigQuery ML usou para executar a regressão logística. O esquema será semelhante ao seguinte:
Use a função ML.EVALUATE
para avaliar o modelo.
Depois de criar o modelo, avalie o desempenho dele usando a
função ML.EVALUATE
.
A função ML.EVALUATE
avalia os valores previstos gerados pelo modelo
em relação aos dados reais.
Para entrada, a função ML.EVALUATE
usa o modelo treinado e as linhas da visualização input_data
que têm evaluation
como o valor da coluna dataframe
. A função retorna uma única linha de estatísticas sobre o modelo.
Execute a consulta ML.EVALUATE
:
No Console do Google Cloud, acesse a página BigQuery.
No Editor de consultas, execute esta consulta:
SELECT * FROM ML.EVALUATE (MODEL `census.census_model`, ( SELECT * FROM `census.input_data` WHERE dataframe = 'evaluation' ) )
A resposta deve ficar assim:
Também é possível consultar o painel de informações do modelo no console do Google Cloud para conferir as métricas de avaliação calculadas durante o treinamento:
Usar a função ML.PREDICT
para prever a faixa de renda
Para identificar a faixa de renda a que determinado participante pertence, use a função ML.PREDICT
.
Para entrada, a função ML.PREDICT
usa o modelo treinado e as linhas da visualização input_data
que têm prediction
como o valor da coluna dataframe
.
Execute a consulta ML.PREDICT
:
No Console do Google Cloud, acesse a página BigQuery.
No Editor de consultas, execute esta consulta:
SELECT * FROM ML.PREDICT (MODEL `census.census_model`, ( SELECT * FROM `census.input_data` WHERE dataframe = 'prediction' ) )
A resposta deve ficar assim:
predicted_income_bracket
é o valor previsto deincome_bracket
.
Explicar os resultados da previsão
Para entender por que o modelo está gerando esses resultados de previsão, use a função ML.EXPLAIN_PREDICT
.
ML.EXPLAIN_PREDICT
é uma versão estendida da função ML.PREDICT
.
ML.EXPLAIN_PREDICT
não apenas gera resultados de previsão, mas também gera colunas extras para explicar os resultados da previsão. Na prática, é possível executar
ML.EXPLAIN_PREDICT
em vez de ML.PREDICT
. Para mais informações, consulte
Visão geral da Explainable AI no BigQuery ML.
Execute a consulta ML.EXPLAIN_PREDICT
:
No Console do Google Cloud, acesse a página BigQuery.
No Editor de consultas, execute esta consulta:
SELECT * FROM ML.EXPLAIN_PREDICT(MODEL `census.census_model`, ( SELECT * FROM `census.input_data` WHERE dataframe = 'evaluation'), STRUCT(3 as top_k_features))
A resposta deve ficar assim:
Para modelos de regressão logística, os valores de Shapley são usados para gerar valores de atribuição de recursos para cada recurso no modelo. ML.EXPLAIN_PREDICT
gera
as três principais atribuições de recursos por linha da visualização input_data
porque
top_k_features
foi definido como 3
na consulta. Essas atribuições são classificadas pelo valor absoluto da atribuição, em ordem decrescente. Na linha 1 deste exemplo, o recurso hours_per_week
contribuiu mais para a previsão geral, mas na linha 2, occupation
contribuiu mais para a previsão geral.
Explicar o modelo globalmente
Para saber quais recursos são geralmente os mais importantes para determinar a faixa de renda, use a função ML.GLOBAL_EXPLAIN
.
Para usar ML.GLOBAL_EXPLAIN
, treine novamente o modelo com a
opção ENABLE_GLOBAL_EXPLAIN
definida como TRUE
.
Treine novamente e receba explicações globais para o modelo:
No Console do Google Cloud, acesse a página BigQuery.
No editor de consultas, execute a seguinte consulta para treinar novamente o modelo:
CREATE OR REPLACE MODEL `census.census_model` OPTIONS ( model_type='LOGISTIC_REG', auto_class_weights=TRUE, enable_global_explain=TRUE, input_label_cols=['income_bracket'] ) AS SELECT * EXCEPT(dataframe) FROM `census.input_data` WHERE dataframe = 'training'
No editor de consultas, execute a seguinte consulta para receber explicações globais:
SELECT * FROM ML.GLOBAL_EXPLAIN(MODEL `census.census_model`)
A resposta deve ficar assim:
Limpar
Para evitar cobranças na sua conta do Google Cloud pelos recursos usados no tutorial, exclua o projeto que os contém ou mantenha o projeto e exclua os recursos individuais.
Excluir o conjunto de dados
A exclusão do seu projeto removerá todos os conjuntos de dados e tabelas no projeto. Caso prefira reutilizá-lo, exclua o conjunto de dados criado neste tutorial:
Se necessário, abra a página do BigQuery no console do Google Cloud.
Na navegação, clique no conjunto de dados do census que você criou.
Clique em Excluir conjunto de dados no lado direito da janela. Essa ação exclui o conjunto de dados e o modelo.
Na caixa de diálogo Excluir conjunto de dados, confirme o comando de exclusão digitando o nome do seu conjunto de dados (
census
) e clique em Excluir.
Excluir o projeto
Para excluir o projeto:
- No Console do Google Cloud, acesse a página Gerenciar recursos.
- Na lista de projetos, selecione o projeto que você quer excluir e clique em Excluir .
- Na caixa de diálogo, digite o ID do projeto e clique em Encerrar para excluí-lo.
A seguir
- Para uma visão geral sobre ML do BigQuery, consulte Introdução ao ML do BigQuery.
- Para mais informações sobre como criar modelos, consulte a página de sintaxe
CREATE MODEL
.