Feature engineering

CTR voorspellen met Machine Learning in Python

Kevin Huo

Instructor

Werken met datums

print(df.hour.head(1))

14102101

df['hour'] = pd.to_datetime(
  df['hour'], format = '%y%m%d%H')
df['hour_of_day'] = df['hour'].dt.hour
print(df.hour.head(1))

2014-10-21 01:00:0

print(df.groupby('hour_of_day')
      ['click'].sum())

             click
hour_of_day       
1             1092
2             6546

Categorische variabelen hashen

Categoriale features moeten numeriek worden
Hashfunctie: zet willekeurige input om naar een integer, altijd dezelfde voor dezelfde input
Lambda-functie: lambda x: f(x)
Pas hashfunctie toe via f(x) = hash(x) zo:

df['site_id'] = df['site_id'].apply(lambda x: hash(x), axis = 0)

83a0ad1a -> -9161053084583616050
85f751fd-> 818242008494177460

Features nader bekeken

Voorbeelden van count() en nunique():

df['ad_type'].count()

df['ad_type'].nunique()

Voorbeeld van de verdeling van een categorische kolom

Features creëren

De meeste variabelen zijn categorisch
Meer features verhoogt vaak de voorspellende kracht
Voorbeeld nieuwe feature: impressies per device_id (gebruiker) en search_engine_type:

df['device_id_count'] = df.groupby('device_id')['click'].transform("count")
df['search_engine_type_count'] = df.groupby('search_engine_type')['click'].transform("count")
print(df.head(1))

...  device_id_count  search_engine_type_count
...            40862                     47710

Laten we oefenen!

CTR voorspellen met Machine Learning in Python