In questo tutorial, utilizzerai un modello di regressione logistica binario in BigQuery ML per prevedere la fascia di reddito degli individui in base ai loro dati demografici. Un modello di regressione logistica binaria prevede se un valore rientra in una di due categorie, in questo caso se il reddito annuale di un privato è superiore o inferiore a 50.000 $.
Questo tutorial utilizza il set di dati bigquery-public-data.ml_datasets.census_adult_income
. Questo set di dati contiene i dati demografici e sul reddito dei residenti negli Stati Uniti del 2000 e del 2010.
Obiettivi
In questo tutorial imparerai a:- Creare un modello di regressione logistica.
- Valutare il modello.
- Effettuare previsioni utilizzando il modello.
- Spiegare i risultati prodotti dal modello.
Costi
Questo tutorial utilizza i componenti fatturabili di Google Cloud, 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 Prezzi di BigQuery ML.
Prima di iniziare
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Attiva l'API BigQuery.
Autorizzazioni obbligatorie
Per creare il modello utilizzando BigQuery ML, devi disporre delle seguenti autorizzazioni IAM:
bigquery.jobs.create
bigquery.models.create
bigquery.models.getData
bigquery.models.updateData
bigquery.models.updateMetadata
Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:
bigquery.models.getData
sul modellobigquery.jobs.create
Introduzione
Un'attività comune nel machine learning è classificare i dati in uno di due tipi, noti come etichette. Ad esempio, un rivenditore potrebbe voler prevedere se un determinato cliente acquisterà un nuovo prodotto in base ad altre informazioni su quel cliente. In questo caso, le due etichette potrebbero essere will buy
e won't buy
. Il rivenditore può creare un set di dati in modo che una colonna rappresenti entrambe le etichette e contenga anche informazioni sul cliente quali la sua posizione, gli acquisti precedenti e le preferenze segnalate. Il rivenditore può quindi utilizzare un modello di regressione logistica binaria che utilizza le informazioni del cliente per prevedere quale etichetta rappresenta meglio ciascun cliente.
In questo tutorial, creerai un modello di regressione logistica binaria che prevede se il reddito di un intervistato negli Stati Uniti rientra in uno di due intervalli in base agli attributi demografici dell'intervistato.
crea un set di dati
Crea un set di dati BigQuery per archiviare il tuo modello:
Nella console Google Cloud, vai alla pagina BigQuery.
Nel riquadro Explorer, fai clic sul nome del tuo progetto.
Fai clic su
Visualizza azioni > Crea set di dati.Nella pagina Crea set di dati, segui questi passaggi:
In ID set di dati, inserisci
census
.In Tipo di località, seleziona Più regioni, quindi seleziona Stati Uniti (più regioni negli Stati Uniti).
I set di dati pubblici vengono archiviati in
US
più regioni. Per semplificare, archivia il set di dati nella stessa località.Lascia invariate le restanti impostazioni predefinite e fai clic su Crea set di dati.
Esamina i dati
Esamina il set di dati e identifica le colonne da utilizzare come dati di addestramento per il modello di regressione logistica. Seleziona 100 righe dalla tabella census_adult_income
:
SQL
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query GoogleSQL:
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;
I risultati sono simili ai seguenti:
DataFrame BigQuery
Prima di provare questo esempio, segui le istruzioni per la configurazione di BigQuery DataFrames nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per maggiori informazioni, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configurare l'autenticazione per un ambiente di sviluppo locale.
I risultati della query mostrano che la colonna income_bracket
della tabella census_adult_income
ha solo uno di due valori: <=50K
o >50K
. La colonna functional_weight
indica il numero di persone che l'organizzazione censita ritiene rappresenti una determinata riga. I valori di questa colonna non sono correlati al valore income_bracket
per una determinata riga.
Prepara i dati di esempio
In questo tutorial, prevedi il reddito degli intervistati in base ai seguenti attributi:
- Età
- Tipo di lavoro svolto
- Stato civile
- Livello di istruzione
- Professione
- Ore lavorate a settimana
Per creare questa previsione, dovrai estrarre informazioni dai dati sugli intervistati del censimento nella tabella census_adult_income
. Seleziona le colonne delle caratteristiche, tra cui:
education_num
, che rappresenta il livello di istruzione della persona intervistataworkclass
, che rappresenta il tipo di lavoro svolto dall'intervistato
Escludi le colonne che contengono dati duplicati. Ad esempio:
education
, perchéeducation
eeducation_num
esprimono gli stessi dati in formati diversi
Separa i dati in set di addestramento, valutazione e previsione creando una nuova colonna dataframe
derivata dalla colonna functional_weight
.
Etichetta l'80% dell'origine dati per l'addestramento del modello e prenota il restante 20% dei dati per la valutazione e la previsione.
SQL
Per preparare i dati di esempio, crea una vista per contenere i dati di addestramento. Questa visualizzazione viene utilizzata dall'istruzione CREATE MODEL
più avanti in questo tutorial.
Esegui la query che prepara i dati di esempio:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query:
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`
Nel riquadro Explorer, espandi il set di dati
census
e individua la visualizzazioneinput_data
.Fai clic sul nome della vista per aprire il riquadro delle informazioni. Lo schema della visualizzazione viene visualizzato nella scheda Schema.
DataFrame BigQuery
Crea un DataFrame
denominato input_data
. Più avanti in questo tutorial userai input_data
per addestrare il modello, valutarlo ed eseguire previsioni.
Prima di provare questo esempio, segui le istruzioni per la configurazione di BigQuery DataFrames nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per maggiori informazioni, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configurare l'autenticazione per un ambiente di sviluppo locale.
Creare un modello di regressione logistica
Crea un modello di regressione logistica con i dati di addestramento che hai etichettato nella sezione precedente.
SQL
Utilizza l'istruzione CREATE MODEL
e specifica LOGISTIC_REG
per il tipo di modello
Di seguito sono riportate informazioni utili in merito all'istruzione CREATE MODEL
:
L'opzione
input_label_cols
specifica quale colonna dell'istruzioneSELECT
utilizzare come colonna dell'etichetta. In questo caso, la colonna dell'etichetta èincome_bracket
, quindi il modello apprende quale dei due valori diincome_bracket
è più probabile per una determinata riga in base agli altri valori presenti nella stessa riga.Non è necessario specificare se un modello di regressione logistica è binario o multiclasse. BigQuery può determinare quale tipo di modello addestrare in base al numero di valori univoci nella colonna dell'etichetta.
L'opzione
auto_class_weights
è impostata suTRUE
per bilanciare le etichette della classe nei dati di addestramento. Per impostazione predefinita, i dati di addestramento non sono ponderati. Se le etichette nei dati di addestramento non sono bilanciate, il modello potrebbe imparare a prevedere in modo più massiccio la classe di etichette più popolare. In questo caso, la maggior parte degli intervistati nel set di dati si trova nella fascia di reddito inferiore. Ciò può comportare la creazione di un modello che prevede troppo pesantemente la fascia di reddito più bassa. I pesi delle classi bilanciano le etichette delle classi calcolando le ponderazioni per ogni classe in proporzione inversa alla frequenza di quella classe.L'istruzione
SELECT
esegue una query sulla vistainput_data
contenente i dati di addestramento. La clausolaWHERE
filtra le righe ininput_data
in modo che per addestrare il modello vengano utilizzate solo le righe etichettate come dati di addestramento.
Esegui la query che crea il tuo modello di regressione logistica:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query:
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'
Nel riquadro Explorer, espandi il set di dati
census
e quindi la cartella Modelli.Fai clic sul modello census_model per aprire il riquadro delle informazioni.
Fai clic sulla scheda Schema. Lo schema del modello elenca gli attributi utilizzati da BigQuery ML per eseguire Lo schema dovrebbe essere simile al seguente:
DataFrame BigQuery
Usa il metodo fit
per addestrare il modello e il metodo to_gbq
per salvarlo nel set di dati.
Prima di provare questo esempio, segui le istruzioni per la configurazione di BigQuery DataFrames nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per maggiori informazioni, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configurare l'autenticazione per un ambiente di sviluppo locale.
Valuta le prestazioni del modello
Dopo aver creato il modello, valuta le prestazioni del modello rispetto ai dati effettivi.
SQL
La funzione funzione ML.EVALUATE
valuta i valori previsti generati dal modello rispetto ai dati effettivi.
Per l'input, la funzione ML.EVALUATE
prende il modello addestrato e le righe
della vista input_data
che hanno evaluation
come valore
della colonna dataframe
. La funzione restituisce una singola riga di statistiche sul modello.
Esegui la query ML.EVALUATE
:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query:
SELECT * FROM ML.EVALUATE (MODEL `census.census_model`, ( SELECT * FROM `census.input_data` WHERE dataframe = 'evaluation' ) )
I risultati sono simili ai seguenti:
DataFrame BigQuery
Utilizza il metodo score
per valutare il modello rispetto ai dati effettivi.
Prima di provare questo esempio, segui le istruzioni per la configurazione di BigQuery DataFrames nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per maggiori informazioni, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configurare l'autenticazione per un ambiente di sviluppo locale.
Puoi anche esaminare il riquadro delle informazioni del modello nella console Google Cloud per visualizzare le metriche di valutazione calcolate durante l'addestramento:
Prevedere la fascia di reddito
Identificare la fascia di reddito a cui probabilmente appartiene un particolare intervistato utilizzando il modello.
SQL
Utilizza la
funzione ML.PREDICT
per fare previsioni sulla fascia di reddito probabile. Inserisci il modello addestrato e le righe dalla vista input_data
che hanno prediction
come valore della colonna dataframe
.
Esegui la query ML.PREDICT
:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query:
SELECT * FROM ML.PREDICT (MODEL `census.census_model`, ( SELECT * FROM `census.input_data` WHERE dataframe = 'prediction' ) )
I risultati sono simili ai seguenti:
predicted_income_bracket
è il valore previsto di income_bracket
.
DataFrame BigQuery
Utilizza il metodo predict
per fare previsioni sulla fascia di reddito probabile.
Prima di provare questo esempio, segui le istruzioni per la configurazione di BigQuery DataFrames nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per maggiori informazioni, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione su BigQuery, configura Credenziali predefinite dell'applicazione. Per ulteriori informazioni, vedi Configurare l'autenticazione per un ambiente di sviluppo locale.
Spiegare i risultati della previsione
Per capire perché il modello genera questi risultati di previsione, puoi utilizzare la funzione ML.EXPLAIN_PREDICT
.
ML.EXPLAIN_PREDICT
è una versione estesa della funzione ML.PREDICT
.
ML.EXPLAIN_PREDICT
non solo restituisce i risultati della previsione, ma genera anche colonne aggiuntive per spiegare i risultati della previsione. In pratica, puoi eseguire
ML.EXPLAIN_PREDICT
anziché ML.PREDICT
. Per ulteriori informazioni, consulta
Panoramica di BigQuery ML Explainable AI.
Esegui la query ML.EXPLAIN_PREDICT
:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query:
SELECT * FROM ML.EXPLAIN_PREDICT(MODEL `census.census_model`, ( SELECT * FROM `census.input_data` WHERE dataframe = 'evaluation'), STRUCT(3 as top_k_features))
I risultati sono simili ai seguenti:
Per i modelli di regressione logistica, vengono utilizzati i valori di Shapley per generare valori di attribuzione
delle caratteristiche per ogni caratteristica nel modello. ML.EXPLAIN_PREDICT
restituisce
le prime tre attribuzioni di caratteristiche per riga della vista input_data
perché
top_k_features
è stato impostato su 3
nella query. Queste attribuzioni vengono ordinate in base
al valore assoluto dell'attribuzione in ordine decrescente. Nella riga 1 di questo
esempio, la caratteristica hours_per_week
ha contribuito maggiormente alla previsione
complessiva, mentre nella riga 2, occupation
ha contribuito maggiormente alla
previsione complessiva.
Spiegare il modello a livello globale
Per sapere quali funzionalità sono in genere le più importanti per determinare la fascia di reddito, puoi utilizzare la funzione ML.GLOBAL_EXPLAIN
.
Per utilizzare ML.GLOBAL_EXPLAIN
, devi riaddestrare il modello con
l'opzione ENABLE_GLOBAL_EXPLAIN
impostata su TRUE
.
Reimposta il modello e ottieni spiegazioni globali:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui questa query per riaddestrare il modello:
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'
Nell'editor query, esegui questa query per ottenere spiegazioni globali:
SELECT * FROM ML.GLOBAL_EXPLAIN(MODEL `census.census_model`)
I risultati sono simili ai seguenti:
Esegui la pulizia
Per evitare che al tuo Account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.
Elimina il set di dati
L'eliminazione del progetto rimuove tutti i set di dati e tutte le tabelle nel progetto. Se preferisci riutilizzare il progetto, puoi eliminare il set di dati creato in questo tutorial:
Se necessario, apri la pagina BigQuery nella console Google Cloud.
Nella barra di navigazione, fai clic sul set di dati census che hai creato.
Fai clic su Elimina set di dati sul lato destro della finestra. Questa azione elimina il set di dati e il modello.
Nella finestra di dialogo Elimina set di dati, digita il nome del set di dati (
census
) per confermare l'eliminazione, quindi fai clic su Elimina.
Elimina il progetto
Per eliminare il progetto:
- Nella console Google Cloud, vai alla pagina Gestisci risorse.
- Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
- Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.
Passaggi successivi
- Per una panoramica di BigQuery ML, consulta Introduzione a BigQuery ML.
- Per informazioni sulla creazione di modelli, consulta la pagina della sintassi di
CREATE MODEL
.