Cette page a été traduite par l'API Cloud Translation.

Obtenir des insights sur les données à partir d'un modèle d'analyse des contributions à l'aide d'une métrique cumulable

Dans ce tutoriel, vous allez utiliser un modèle d'analyse des contributions pour analyser les changements de tarifs des taxis entre 2011 et 2012 à New York. Ce tutoriel vous guide à travers les tâches suivantes :

Création d'une table d'entrée basée sur des données de taxi disponibles au public.
Créer un modèle d'analyse des contributions qui utilise une métrique récapitulative. Ce type de modèle résume une métrique donnée pour une combinaison d'une ou de plusieurs dimensions dans les données afin de déterminer comment ces dimensions contribuent à la valeur de la métrique.
Obtenez les insights sur les métriques du modèle à l'aide de la fonction ML.GET_INSIGHTS.

Avant de commencer ce tutoriel, vous devez connaître le cas d'utilisation de l'analyse des contributions.

Autorisations requises

Pour créer l'ensemble de données, vous devez disposer de l'autorisation Identity and Access Management (IAM) bigquery.datasets.create.
Pour créer le modèle, vous avez besoin des autorisations suivantes :
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
Pour exécuter une inférence, vous devez disposer des autorisations suivantes :
- bigquery.models.getData
- bigquery.jobs.create

Coûts

Dans ce document, vous utilisez les composants facturables suivants de Google Cloud :

BigQuery ML: You incur costs for the data that you process in BigQuery.

Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût. Les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un essai gratuit.

Pour en savoir plus sur les tarifs de BigQuery, consultez la page Tarifs de BigQuery dans la documentation BigQuery.

Avant de commencer

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector
Make sure that billing is enabled for your Google Cloud project.
Enable the BigQuery API.
Enable the API

Créer un ensemble de données

Vous allez créer un ensemble de données BigQuery pour stocker votre modèle de ML :

Dans la console Google Cloud, accédez à la page "BigQuery".

Accéder à la page "BigQuery"
Dans le volet Explorateur, cliquez sur le nom de votre projet.
Cliquez sur Afficher les actions > Créer un ensemble de données.
Sur la page Créer un ensemble de données, procédez comme suit :
- Dans le champ ID de l'ensemble de données, saisissez bqml_tutorial.
- Pour Type d'emplacement, sélectionnez Multirégional, puis sélectionnez US (plusieurs régions aux États-Unis).
  
  Les ensembles de données publics sont stockés dans l'emplacement multirégional US. Par souci de simplicité, stockez votre ensemble de données dans le même emplacement.
- Conservez les autres paramètres par défaut, puis cliquez sur Créer un ensemble de données.

Créer une table de données d'entrée

Créez une table contenant les données de test et de contrôle à analyser. La requête suivante crée deux tables intermédiaires, une table de test avec des données sur les taxis de 2012 et une table de contrôle avec des données sur les taxis de 2011, puis effectue une union des tables intermédiaires pour créer une table avec des lignes de test et de contrôle, ainsi que le même ensemble de colonnes.

Dans la console Google Cloud, accédez à la page BigQuery.

Accéder à BigQuery

Dans l'éditeur de requête, exécutez l'instruction suivante :

CREATE OR REPLACE TABLE bqml_tutorial.taxi_control_and_test
AS (
  SELECT
    vendor_id,
    passenger_count,
    payment_type,
    pickup_location_id,
    EXTRACT(MONTH FROM pickup_datetime) AS month,
    AVG(total_amount) AS avg_total_fare,
    FALSE AS is_test
  FROM `bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2011`
  WHERE total_amount > 0
  GROUP BY vendor_id, passenger_count, payment_type, pickup_location_id, month, is_test
)
UNION ALL
(
  SELECT
    vendor_id,
    passenger_count,
    payment_type,
    pickup_location_id,
    EXTRACT(MONTH FROM pickup_datetime) AS month,
    AVG(total_amount) AS avg_total_fare,
    TRUE AS is_test
  FROM `bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2012`
  WHERE total_amount > 0
  GROUP BY vendor_id, passenger_count, payment_type, pickup_location_id, month, is_test
);

Créer le modèle

Créez un modèle d'analyse des contributions:

Dans la console Google Cloud, accédez à la page BigQuery.

Accéder à BigQuery

Dans l'éditeur de requête, exécutez l'instruction suivante :

CREATE OR REPLACE MODEL `bqml_tutorial.taxi_contribution_analysis_model`
  OPTIONS (
    MODEL_TYPE = 'CONTRIBUTION_ANALYSIS',
    CONTRIBUTION_METRIC = 'SUM(avg_total_fare)',
    DIMENSION_ID_COLS =
      ['vendor_id', 'passenger_count', 'pickup_location_id', 'payment_type', 'month'],
    IS_TEST_COL = 'is_test',
    MIN_APRIORI_SUPPORT = 0.05)
AS
SELECT * FROM bqml_tutorial.taxi_control_and_test;

L'exécution de la requête prend environ 20 secondes, après quoi le modèle taxi_contribution_analysis_model apparaît dans l'ensemble de données bqml_tutorial dans le volet Explorateur. Étant donné que la requête utilise une instruction CREATE MODEL pour créer un modèle, il n'y a aucun résultat de requête.

Obtenir des insights à partir du modèle

Obtenez les insights générés par le modèle d'analyse des contributions à l'aide de la fonction ML.GET_INSIGHTS.

Dans la console Google Cloud, accédez à la page BigQuery.

Accéder à BigQuery

Dans l'éditeur de requête, exécutez l'instruction suivante :

SELECT
  *
FROM
  ML.GET_INSIGHTS(
    MODEL `bqml_tutorial.taxi_contribution_analysis_model`)
ORDER BY unexpected_difference DESC;

Les premières lignes de la sortie devraient se présenter comme suit:

+----------------------------------+-----------+-----------------+--------------+--------------------+-------+-------------------+------------------+------------------+---------------------+-----------------------+--------------------------------+-----------------+
|           contributors           | vendor_id | passenger_count | payment_type | pickup_location_id | month |    metric_test    |  metric_control  |    difference    | relative_difference | unexpected_difference | relative_unexpected_difference | apriori_support |
+----------------------------------+-----------+-----------------+--------------+--------------------+-------+-------------------+------------------+------------------+---------------------+-----------------------+--------------------------------+-----------------+
| ["all"]                          | NULL      |            NULL | NULL         | NULL               |  NULL | 1305121.630946658 | 983978.603443601 | 321143.027503057 |         0.326371962 |      321143.027503057 |                    0.326371962 |               1 |
| ["payment_type=5","vendor_id=2"] | 2         |            NULL | 5            | NULL               |  NULL |    82996.99307095 |                0 |   82996.99307095 |                NULL |        82996.99307095 |                           NULL |     0.063593301 |
| ["payment_type=5"]               | NULL      |            NULL | 5            | NULL               |  NULL |    82996.99307095 |           138.26 |   82858.73307095 |       599.296492629 |       82825.246757081 |                  482.253417818 |     0.063593301 |
| ["payment_type=3","vendor_id=1"] | 1         |            NULL | 3            | NULL               |  NULL |   82167.169133767 |                0 |  82167.169133767 |                NULL |       82167.169133767 |                           NULL |      0.06295748 |
| ["payment_type=3"]               | NULL      |            NULL | 3            | NULL               |  NULL |   82167.169133767 |                0 |  82167.169133767 |                NULL |       82167.169133767 |                           NULL |      0.06295748 |
| ["payment_type=4","vendor_id=1"] | 1         |            NULL | 4            | NULL               |  NULL |   67418.589902631 |                0 |  67418.589902631 |                NULL |       67418.589902631 |                           NULL |      0.05165694 |
+----------------------------------+-----------+-----------------+--------------+--------------------+-------+-------------------+------------------+------------------+---------------------+-----------------------+--------------------------------+-----------------+

Étant donné que vous avez effectué une analyse des contributions sur une métrique cumulable, les résultats contiennent les colonnes de sortie de métriques cumulables.

Effectuer un nettoyage

Attention : La suppression d'un projet entraîne les effets décrits ci-dessous :

Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

In the Google Cloud console, go to the Manage resources page.
Go to Manage resources
In the project list, select the project that you want to delete, and then click Delete.
In the dialog, type the project ID, and then click Shut down to delete the project.