GSP341

總覽

在挑戰研究室中，您會在特定情境下完成一系列任務。挑戰研究室不會提供逐步說明，您將運用從課程研究室學到的技巧，自行找出方法完成任務！自動評分系統 (如本頁所示) 將根據您是否正確完成任務來提供意見回饋。

在您完成任務的期間，挑戰研究室不會介紹新的 Google Cloud 概念。您須靈活運用所學技巧，例如變更預設值或詳讀並研究錯誤訊息，解決遇到的問題。

若想滿分達標，就必須在時限內成功完成所有任務！

這個實驗室適合已參加運用 BigQuery ML 建立機器學習模型技能徽章課程的學員。準備好迎接挑戰了嗎？

設定

瞭解以下事項後，再點選「Start Lab」按鈕

請詳閱以下操作說明。實驗室活動會計時，且中途無法暫停。點選「Start Lab」後就會開始計時，顯示可使用 Google Cloud 資源的時間。

您將在真正的雲端環境完成實作實驗室活動，而不是模擬或示範環境。為此，我們會提供新的暫時憑證，供您在實驗室活動期間登入及存取 Google Cloud。

為了順利完成這個實驗室，請先確認：

• 可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。

注意事項：請使用無痕模式 (建議選項) 或私密瀏覽視窗執行此實驗室，這可以防止個人帳戶和學員帳戶之間的衝突，避免個人帳戶產生額外費用。

• 是時候完成實驗室活動了！別忘了，活動一旦開始將無法暫停。

注意事項：務必使用實驗室專用的學員帳戶。如果使用其他 Google Cloud 帳戶，可能會產生額外費用。

挑戰情境

您是數據資料部門新上任的初階成員，所屬團隊正在進行多個專案，其中涉及許多機器學習計畫。您的職責是協助開發及評估資料集與機器學習模型，根據實際工作資料集深入分析資訊。

公司預期您具備執行這些工作所需的技能與知識，因此不會提供逐步指南。

本實驗室的下列工作會檢驗您對 BigQuery 和機器學習的瞭解程度。

工作 1：建立新資料集和機器學習模型

您正在執行的其中一項專案，需要根據實際資料來分析數據，而您在這項專案負責開發及評估機器學習模型。

• 在這項工作，您必須建立 ID 為 ecommerce 的資料集，您可以在當中儲存機器學習模型。

• 現在請建立機器學習模型並命名為 customer_classification_model，用以預測模型成效。請執行下列查詢來建立此模型。

  CREATE OR REPLACE MODEL `ecommerce.customer_classification_model` OPTIONS ( model_type='logistic_reg', labels = ['will_buy_on_return_visit'] ) AS #standardSQL SELECT * EXCEPT(fullVisitorId) FROM # features (SELECT fullVisitorId, IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site FROM `data-to-insights.ecommerce.web_analytics` WHERE totals.newVisits = 1 AND date BETWEEN '20160801' AND '20170430') # train on first 9 months JOIN (SELECT fullvisitorid, IF(COUNTIF(totals.transactions > 0 AND totals.newVisits IS NULL) > 0, 1, 0) AS will_buy_on_return_visit FROM `data-to-insights.ecommerce.web_analytics` GROUP BY fullvisitorid) USING (fullVisitorId);

點選「Check my progress」確認目標已達成。

確認已建立新的資料集和模型

工作 2：評估分類模型的成效

在這項工作，您必須使用新資料評估 customer_classification_model 模型的成效。

使用 BigQuery ML 評估訓練過的機器學習模型時，roc_auc 只是一個可查詢的欄位，因此請使用 ML.EVALUATE 執行查詢來評估模型成效。

評估模型後，查看模型的預測能力。

點選「Check my progress」確認目標已達成。

確認兩個機器學習模型均已經過評估。

工作 3：運用特徵工程提升模型成效，並評估模型的預測能力是否提升

在這項工作，請使用資料集特徵，協助 customer_classification_model 模型進一步瞭解訪客首次造訪與後續返回消費的可能性是否有關。

現在請加入幾項新特徵，建立第二個機器學習模型並命名為 improved_customer_classification_model。

• 訪客首次造訪時，完成結帳程序的進度
• 訪客來自何處 (流量來源：自然搜尋、網站推薦等)
• 裝置類別 (行動裝置、平板電腦、桌上型電腦)
• 地理位置資訊 (國家/地區)

現在請評估新建立的 improved_customer_classification_model 模型，確認其預測能力是否比 customer_classification_model 好。

點選「Check my progress」確認目標已達成。

提升模型成效並評估模型。

工作 4：預測哪些新訪客會返回消費

現在請建立機器學習模型並命名為 finalized_classification_model，用以預測模型成效。請執行下列查詢來建立此模型。

CREATE OR REPLACE MODEL `ecommerce.finalized_classification_model` OPTIONS (model_type="logistic_reg", labels = ["will_buy_on_return_visit"]) AS WITH all_visitor_stats AS ( SELECT fullvisitorid, IF(COUNTIF(totals.transactions > 0 AND totals.newVisits IS NULL) > 0, 1, 0) AS will_buy_on_return_visit FROM `data-to-insights.ecommerce.web_analytics` GROUP BY fullvisitorid ) # add in new features SELECT * EXCEPT(unique_session_id) FROM ( SELECT CONCAT(fullvisitorid, CAST(visitId AS STRING)) AS unique_session_id, # labels will_buy_on_return_visit, MAX(CAST(h.eCommerceAction.action_type AS INT64)) AS latest_ecommerce_progress, # behavior on the site IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site, IFNULL(totals.pageviews, 0) AS pageviews, # where the visitor came from trafficSource.source, trafficSource.medium, channelGrouping, # mobile or desktop device.deviceCategory, # geographic IFNULL(geoNetwork.country, "") AS country FROM `data-to-insights.ecommerce.web_analytics`, UNNEST(hits) AS h JOIN all_visitor_stats USING(fullvisitorid) WHERE 1=1 # only predict for new visits AND totals.newVisits = 1 AND date BETWEEN "20160801" AND "20170430" # train 9 months GROUP BY unique_session_id, will_buy_on_return_visit, bounces, time_on_site, totals.pageviews, trafficSource.source, trafficSource.medium, channelGrouping, device.deviceCategory, country );

1. 請編寫查詢來預測哪些新訪客會返回消費。
2. 這項查詢使用 finalized_classification_model 模型，預測某位 Google 商品網路商店的新訪客回訪消費的可能性。
3. 您必須根據資料集中最後 1 個月 (共 12 個月) 的資料進行預測。

點選「Check my progress」確認目標已達成。

預測哪些新訪客會返回消費

恭喜！

您已透過 BigQuery ML 建立機器學習模型！

取得下一枚技能徽章

這個自學實驗室屬於運用 BigQuery ML 建立機器學習模型技能徽章課程的一部分。完成這個技能徽章課程即可獲得上方的徽章，表彰您的成就。您可以在履歷表和社群平台張貼徽章，並加上 #GoogleCloudBadge 公開這項成就。

這個技能徽章課程是 Google Cloud 資料分析師學習路徑的一環。如果您已完成這個學習路徑中的其他技能徽章課程，歡迎瀏覽目錄，找出其他可以註冊參加的技能徽章課程。

Google Cloud 教育訓練與認證

協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法，讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程，並有隨選、線上和虛擬課程等選項，方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。

使用手冊上次更新日期：2025 年 2 月 13 日

實驗室上次測試日期：2025 年 2 月 13 日

Copyright 2025 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標，其他公司和產品名稱則有可能是其關聯公司的商標。