Überblick über Machine-Learning-Modelle

CTR-Vorhersage mit Machine Learning in Python

Kevin Huo

Instructor

Logistische Regression

Beispiel für Logistische Regression mit roten und blauen Punkten

  • Logistische Regression: linearer Klassifikator zwischen Zielvariable und Features
CTR-Vorhersage mit Machine Learning in Python

Modell trainieren

  • Modell erstellen mit: clf = LogisticRegression()
  • Jeder Klassifikator hat eine fit()-Methode, die X_train, y_train nimmt: clf.fit(X_train, y_train)
  • X_train sind die Trainingsfeatures, y_train die Trainingstargets
  • Klassifikator darf nur Trainingsdaten sehen, um „vorab gelöste Antworten“ zu vermeiden
CTR-Vorhersage mit Machine Learning in Python

Modell testen

  • Jeder Klassifikator hat eine predict()-Methode, die X_test nimmt und ein y_test erzeugt:
    array([0, 1, 1, ..., 1, 0, 1])
  • predict_proba() liefert Wahrscheinlichkeiten
    array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])
  • Der Score ist die Klickwahrscheinlichkeit eines bestimmten Nutzers für eine bestimmte Anzeige
CTR-Vorhersage mit Machine Learning in Python

Modell bewerten

  • Accuracy: Anteil korrekt erkannter Test-Targets
  • accuracy_score(y_test, y_pred)
  • Sollte nicht die einzige Metrik sein, v. a. bei unausgeglichenen Datensätzen
  • CTR-Vorhersage ist ein Beispiel für unbalancierte Klassen
CTR-Vorhersage mit Machine Learning in Python

Lass uns üben!

CTR-Vorhersage mit Machine Learning in Python

Preparing Video For Download...