CTR-Vorhersage mit Entscheidungsbäumen

CTR-Vorhersage mit Machine Learning in Python

Kevin Huo

Instructor

Entscheidungsbäume

Beispiel-Entscheidungsbaum zur Kreditvergabe nach Alter und Studierendenstatus

Erstellen mit: clf = DecisionTreeClassifier()
Wie bei logistischer Regression: clf.fit(X_train, y_train) trainiert, clf.predict(X_test) sagt Labels voraus:
```
array([0, 1, 1, ..., 1, 0, 1])
```

clf.predict_proba(X_test) für Wahrscheinlichkeiten:

array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])

Beispiel für zufälliges Train/Test-Split, Test = 30% der Stichprobe: train_test_split(X, y, test_size = .3, random_state = 0)

Beispiel: Fläche unter der ROC-Kurve für einen Klassifikator

True-Positive-Rate (Y-Achse) = #(Klassifikator sagt positiv, tatsächlich positiv) / #(Positive)
False-Positive-Rate (X-Achse) = #(Klassifikator sagt positiv, tatsächlich negativ) / #(Negative)
Gepunktete blaue Linie: Basis-AUC 0,5
Orange Linie (AUC) soll möglichst nahe 1 liegen

Y_score = clf.predict_proba(X_test)

fpr, tpr, thresholds = roc_curve(Y_test, Y_score[:, 1])

roc_auc = auc(fpr, tpr)

auc() Eingaben: False-Positive- und True-Positive-Arrays
Wenn das Modell genau ist und die CTR niedrig bleibt, prüfe Anzeigentext und Zielgruppe neu

CTR-Vorhersage mit Machine Learning in Python