BigQuery ML ทำนายความปังของโพสต์ง่าย ๆ ด้วย SQL Query

ฟีเจอร์ตื่นเต้นขนาดนี้ วันนี้เลยขอโอกาสลองเล่นดูสักหน่อย ว่าใช้งานยากง่ายแค่ไหน และผลลัพธ์ที่ได้ออกมาเป็นอย่างไร เราจะใช้ข้อมูลโพสต์จาก Skooldio Facebook Page มาทำ Logistic regression ดูว่าปัจจัยอะไรที่มีความสัมพันธ์กับความปังของโพสต์ โดยนิยามของความ “ปัง” คือ ได้รับอย่างน้อย 50 reactions (ครับ เพจเล็กๆ 50 ก็ปังละครับ 555)

Fit a Model

การสร้างโมเดลก็สามารถทำได้ไม่อยาก เพียงแค่เรียก CREATE MODEL และกำหนด OPTIONS ระบุประเภทของโมเดล, Learning Rate, Regularization ฯลฯ​ ดูรายละเอียดเพิ่มเติมได้ที่นี่

ความสะดวกอย่างหนึ่งของการสร้างโมเดลผ่าน SQL Query คือ เราสามารถทำ Data Transformation ไปได้ด้วยในคำสั่งเดียวกัน อย่างในตัวอย่างนี้ เราได้มีการสร้าง Features ขึ้นมาหลาย ๆ อัน

• จากข้อมูล created_time เราสร้างตัวแปร day กับ time สำหรับวันที่โพสต์ (อาทิตย์, จันทร์, อังคาร, …) และ เวลาที่โพสต์ (AM หรือ PM)
• สำหรับโพสต์ที่มีลิงก์ เราสร้าง dummy variables เพื่อดูว่าเป็นลิงก์ไปที่ Medium (บทความ), Harvard Business Review, Skooldio (ขายของ!), Facebook (Shared Content), หรือ Youtube (วีดีโอ)
• จากข้อความในโพสต์ message เราใช้ Regular Expression ในการหา Keyword เพื่อเดา (ขอย้ำว่าเดา!) ว่าเป็นโพสต์เกี่ยวกับ Data (ข้อมูล, Machine Learning, AI) หรือ Design (Design Thinking, UX/UI)

ลองดูโค้ดเต็ม ๆ กัน โดยในการเทรนโมเดล เราจะใช้ข้อมูลโพสต์ก่อนมิถุนายน 2018

พอรันโมเดลเสร็จ ก็จะมีสถิติจากการเทรนโมเดลออกมาให้เราดู

มาถึงขั้นตอนที่ทุกคนรอคอย ตกลงปัจจัยไหนบ้างที่ Predictive กับความปังของโพสต์ เราสามารถเรียกดู Coefficient ของแต่ละตัวแปรได้ง่ายมาก SELECT * FROM skooldio.popularity แค่นี้!

โพสต์ที่เป็น Link ดูเหมือนจะปังน้อยที่สุด (ติดลบเยอะสุด) ในขณะที่โพสต์ที่เป็น Status ดูเหมือนจะปังมากที่สุด เนื่องจาก weight เป็นบวกอยู่อันเดียว แต่จริง ๆ แล้วเป็น Estimate ที่เชื่อถือไม่ค่อยได้เท่าไหร่ เพราะที่ผ่านมาโพสต์ที่เป็น Status Update ในเพจมีเพียงแค่ 2 โพสต์เท่านั้น 😅 ในส่วนของ promotion_status จะเห็นได้ว่าโพสต์ที่มีสถานะเป็น Extendable นั้น มีค่า weight ที่สูงมาก เนื่องจากเป็นสถานะที่บ่งบอกว่า เราเคย boost โพสต์นี้ไปแล้ว เลยได้ reactions มาเยอะ

ตัวแปร created_time มี weight เป็นบวก ซึ่งแปลว่าโพสต์ยิ่งใหม่เท่าไหร่ (created_time มีค่ามาก) ยิ่งมีโอกาสได้รับ reactions มากขึ้นเท่านั้น ซึ่งเป็นตามที่คาดไว้ เพราะเพจมีคนมา follow มากขึ้นเรื่อย ๆ ทำให้โพสต์ใหม่ ๆ ได้ reach ที่สูงขึ้น นอกจากนี้โพสต์วันเสาร์ (day 7) – อาทิตย์ (day 1) และโพสต์ในช่วงเช้า (AM) มักจะปังกว่า

ในส่วนของลิงก์ โพสต์บทความ Medium ดูปังพอสมควร ทุกคนดูจะชอบ Original Content (เลยต้องรีบมานั่งเขียน blog เลย 😂) ในขณะที่โพสต์ลิงก์ไปเว็บไซต์ Skooldio ก็ค่อนข้างปัง หลัก ๆ เพราะเป็นโพสต์แนะนำคอร์สฟรีไปซะเยอะ

สุดท้ายโพสต์ที่เกี่ยวกับ Data และ Design ซึ่งเป็นสองศาสตร์ที่ Skooldio ค่อนข้างให้ความสำคัญ ก็ได้ค่า weight เป็นบวกกันทั้งคู่ น่าจะเป็นเพราะเป็นหัวข้อที่ลูกเพจของเราส่วนใหญ่ให้ความสนใจ

Evaluate the Model

การทำ Evaluation ก็ง่ายนิดเดียว เพียงแค่เรียกคำสั่ง ML.EVALUATE และระบุชื่อโมเดล พร้อมทั้งข้อมูลที่อยากใช้ในการทดสอบ ซึ่งในที่นี่ เราใช้ข้อมูลโพสต์ตั้งแต่มิถุนายน 2018

สถิติที่รายงานออกมาก็มีครบเลย ตั้งแต่ Precision/Recall ไปจนถึง F1 Score และ AUC สำหรับโมเดลลวก ๆ ของเรา ก็พอถูไถอยู่ 🤓

Make Predictions

สุดท้าย ถ้าเราอยากจะทำนายค่าสำหรับข้อมูลใหม่ เราก็สามารถใช้คำสั่ง ML.PREDICT ในการทำนายค่าได้เลย

สำหรับ Logistic regression ผลลัพธ์ก็จะแสดงทั้ง Predicted Label และ Predicted Probability ของแต่ละคลาส

ใครที่สนใจอยากไปลองเล่นด้วยตนเอง สามารถทำตาม tutorial นี้ได้เลย!