Panoramica dei modelli di machine learning

Prevedere il CTR con il Machine Learning in Python

Kevin Huo

Instructor

Regressione logistica

Esempio di regressione logistica con punti rossi e blu

Regressione logistica: classificatore lineare tra variabile dipendente e indipendenti

Addestrare il modello

Crea il modello con: clf = LogisticRegression()
Ogni classificatore ha un metodo fit() che accetta X_train, y_train: clf.fit(X_train, y_train)
X_train è il vettore delle feature di training, y_train quello dei target
Il classificatore deve vedere solo i dati di training per evitare di "conoscere le risposte prima"

Testare il modello

Ogni classificatore ha un metodo predict() che prende X_test e genera y_test così:
```
array([0, 1, 1, ..., 1, 0, 1])
```

Il metodo predict_proba() produce punteggi di probabilità

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

Il punteggio riflette la probabilità che un certo utente clicchi un dato annuncio

Valutare il modello

Accuratezza: percentuale di target di test correttamente identificati
accuracy_score(y_test, y_pred)
Non dovrebbe essere l’unica metrica, soprattutto con dataset sbilanciati
La previsione del CTR è un esempio di classi sbilanciate

Passiamo alla pratica!

Prevedere il CTR con il Machine Learning in Python

Preparing Video For Download...