Ôn tập và so sánh mô hình

Dự đoán CTR với Machine Learning trong Python

Kevin Huo

Instructor

Ôn tập mô hình

from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier
  • Hồi quy logistic: bộ phân loại tuyến tính xác định biên quyết định
  • Cây quyết định: điều kiện dạng cây
  • Rừng ngẫu nhiên: tập hợp nhiều Cây quyết định
  • Mạng nơ-ron (MLP): các lớp dùng tổ hợp tuyến tính của đặc trưng với hàm kích hoạt phi tuyến
Dự đoán CTR với Machine Learning trong Python

Triển khai mô hình

Tương đồng
  • Biến đổi đặc trưng và điều chuẩn
  • Huấn luyện bằng classifier.fit(X_train, y_train)
  • Dự đoán bằng predict_proba() và predict()
Khác biệt
  • Cây quyết định: max_depth, min_samples_split
  • Rừng ngẫu nhiên: n_estimators, oob_score
  • Hồi quy logistic: fit_intercept, class_weight
  • Mạng nơ-ron: hidden_layer_sizes, max_iter
Dự đoán CTR với Machine Learning trong Python

Đánh giá mô hình

  • Chỉ số đánh giá chính:
    • Ma trận nhầm lẫn: confusion_matrix(y_test, y_pred)
    • Precision: precision_score(y_test, y_pred)
    • Recall: recall_score(y_test, y_pred)
    • Điểm F-beta: fbeta_score(y_test, y_pred, beta = 0.5)
    • AUC của đường ROC: roc_auc_score(y_test, y_score[:, 1])
Dự đoán CTR với Machine Learning trong Python

Ưu/nhược điểm chính của mạng nơ-ron

Ưu điểm

  • Mở rộng tốt theo dữ liệu
  • Ít cần xây dựng đặc trưng
  • Dễ chuyển giao giữa miền

Nhược điểm

  • Kém mạnh trên tập nhỏ
  • Khó diễn giải
  • Tốn tài nguyên tính toán và chi phí hơn
Dự đoán CTR với Machine Learning trong Python

Hãy luyện tập!

Dự đoán CTR với Machine Learning trong Python

Preparing Video For Download...