In questo tutorial, utilizzerai un modello di regressione logistica binario in BigQuery ML per prevedere la fascia di reddito delle persone in base ai relativi dati demografici. Un modello di regressione logistica binaria prevede se un valore rientra in una delle due categorie, in questo caso se il reddito annuo di un individuo è superiore o inferiore a 50.000 $.
Questo tutorial utilizza il set di dati di bigquery-public-data.ml_datasets.census_adult_income
. Questo set di dati contiene i dati demografici e sul reddito dei residenti negli Stati Uniti dal 2000 al 2010.
Obiettivi
In questo tutorial imparerai a:- Creare un modello di regressione logistica.
- Valutare il modello.
- Eseguire 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
-
Nella pagina del selettore di progetti della console Google Cloud, seleziona o crea un progetto Google Cloud.
-
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 sul 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 come la località, gli acquisti precedenti e le preferenze indicate. Il rivenditore può quindi utilizzare un modello di regressione logistica binaria che utilizza queste informazioni sul 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 di un censimento degli Stati Uniti rientra in uno dei due intervalli in base agli attributi demografici del partecipante.
crea un set di dati
Crea un set di dati BigQuery per archiviare il modello:
Nella console Google Cloud, vai alla pagina BigQuery.
Nel riquadro Explorer, fai clic sul nome del 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
.Per Tipo di località, seleziona Più regioni, poi seleziona Stati Uniti (più regioni negli Stati Uniti).
I set di dati pubblici vengono archiviati in
US
più regioni. Per semplicità, memorizza il set di dati nella stessa posizione.Lascia invariate le restanti impostazioni predefinite e fai clic su Crea set di dati.
Esaminare 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 la seguente 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 di configurazione di BigQuery DataFrames riportate nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per saperne di più, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione in BigQuery, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
I risultati della query mostrano che la colonna income_bracket
nella
tabella census_adult_income
ha solo uno dei due valori: <=50K
o >50K
. La colonna functional_weight
riporta il numero di persone che l'organizzazione di censimento ritiene che una determinata riga. I valori di questa colonna
appaiono non correlati al valore di income_bracket
per una determinata riga.
prepara i dati di esempio
In questo tutorial, puoi prevedere le entrate degli intervistati al censimento 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 le informazioni dai dati sugli intervistati del censimento nella tabella census_adult_income
. Seleziona le colonne delle caratteristiche, tra cui:
education_num
, che indica il livello di istruzione degli intervistatiworkclass
, che rappresenta il tipo di lavoro svolto dall'intervistato
Escludi le colonne che duplicano i dati. 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
che deriva 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 che contenga 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 la query seguente:
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 visualizzazione per aprire il riquadro delle informazioni. Lo schema di visualizzazione viene mostrato nella scheda Schema.
DataFrame BigQuery
Crea un DataFrame
chiamato input_data
. Utilizzerai input_data
più avanti in questo tutorial per addestrare il modello, valutarlo ed eseguire previsioni.
Prima di provare questo esempio, segui le istruzioni di configurazione di BigQuery DataFrames riportate nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per saperne di più, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione in BigQuery, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta 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 etichettati nella sezione precedente.
SQL
Utilizza l'istruzione CREATE MODEL
e specifica LOGISTIC_REG
per il tipo di modello
Di seguito sono riportate alcune informazioni utili da conoscere sull'istruzione CREATE MODEL
:
L'opzione
input_label_cols
specifica quale colonna dell'istruzioneSELECT
utilizzare come colonna dell'etichetta. Qui la colonna dell'etichetta èincome_bracket
, in modo che il modello apprende quale dei due valori diincome_bracket
è più probabile per una determinata riga in base agli altri valori presenti in quella riga.Non è necessario specificare se un modello di regressione logistica è binario o multiclasse. BigQuery può stabilire 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 approfondito la classe di etichette più popolare. In questo caso, la maggior parte degli intervistati nel set di dati si trova nella fascia di reddito più bassa. Ciò può portare a un modello che prevede troppo la fascia di reddito più bassa. Le ponderazioni delle classi bilanciano le etichette delle classi calcolando le ponderazioni di ogni classe in modo inversamente proporzionale alla frequenza di quella classe.L'istruzione
SELECT
esegue una query sulla vistainput_data
che contiene i dati di addestramento. La clausolaWHERE
filtra le righe ininput_data
in modo che per addestrare il modello vengano utilizzate solo quelle etichettate come dati di addestramento.
Esegui la query che crea il modello di regressione logistica:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui la query seguente:
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
, 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 la regressione logistica. Lo schema dovrebbe essere simile al seguente:
DataFrame BigQuery
Utilizza il metodo fit
per addestrare il modello e il metodo to_gbq
per salvarlo nel tuo set di dati.
Prima di provare questo esempio, segui le istruzioni di configurazione di BigQuery DataFrames riportate nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per saperne di più, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione in BigQuery, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Valutare le prestazioni del modello
Dopo aver creato il modello, valuta le sue prestazioni rispetto ai dati effettivi.
SQL
La funzione Funzione ML.EVALUATE
valuta i valori previsti generati dal modello in base ai dati effettivi.
Per l'input, la funzione ML.EVALUATE
prende il modello addestrato e le righe della visualizzazione 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 la query seguente:
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 di configurazione di BigQuery DataFrames riportate nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per saperne di più, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione in BigQuery, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Puoi anche consultare il riquadro delle informazioni sul modello nella console Google Cloud per visualizzare le metriche di valutazione calcolate durante l'addestramento:
Prevedere la fascia di reddito
Identifica la fascia di reddito a cui probabilmente appartiene un determinato intervistato utilizzando il modello.
SQL
Utilizza la funzione ML.PREDICT
per fare previsioni sulla probabile fascia di reddito. Inserisci il modello addestrato e le righe della 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 la query seguente:
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 di configurazione di BigQuery DataFrames riportate nella guida rapida di BigQuery sull'utilizzo di BigQuery DataFrames. Per saperne di più, consulta la documentazione di riferimento di BigQuery DataFrames.
Per eseguire l'autenticazione in BigQuery, configura Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Spiegare i risultati della previsione
Per capire perché il modello genera questi risultati della 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. Nella pratica, puoi eseguire
ML.EXPLAIN_PREDICT
anziché ML.PREDICT
. Per ulteriori informazioni, consulta la panoramica sull'AI spiegabile di BigQuery ML.
Esegui la query ML.EXPLAIN_PREDICT
:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui la query seguente:
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, i valori di Shapley vengono utilizzati per generare valori di attribuzione delle caratteristiche per ogni caratteristica nel modello. ML.EXPLAIN_PREDICT
restituisce
le prime tre attribuzioni delle funzionalità per riga della visualizzazione input_data
perché
top_k_features
è stato impostato su 3
nella query. Queste attribuzioni sono ordinate
in base al valore assoluto dell'attribuzione. Nella riga 1 di questo esempio, la caratteristica hours_per_week
ha contribuito maggiormente alla previsione complessiva, ma nella riga 2 la funzionalità occupation
ha contribuito maggiormente alla previsione complessiva.
Spiegare il modello a livello globale
Per sapere quali caratteristiche sono generalmente 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
.
Riaddestra e ricevi spiegazioni globali per il modello:
Nella console Google Cloud, vai alla pagina BigQuery.
Nell'editor query, esegui la query seguente 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 la query seguente per ricevere 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 che hai creato in questo tutorial:
Se necessario, apri la pagina di 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, conferma il comando di eliminazione digitando il nome del set di dati (
census
), 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 dei modelli, consulta la pagina della sintassi
CREATE MODEL
.