Dự đoán CTR bằng cây quyết định

Dự đoán CTR với Machine Learning trong Python

Kevin Huo

Instructor

Cây quyết định

Ví dụ cây quyết định xét cho vay dựa trên tuổi và trạng thái sinh viên

  • Nút biểu diễn đặc trưng
  • Nhánh biểu diễn quyết định theo đặc trưng
  • Kết quả mẫu trong bảng dưới:
  • Tách đầu tiên theo tuổi người nộp
  • Với nhóm trẻ, tách thứ hai theo trạng thái sinh viên
  • Mô hình cung cấp quy tắc kinh nghiệm để hiểu
is_student loan
middle_aged 1
youth no 0
youth yes 1
Dự đoán CTR với Machine Learning trong Python

Huấn luyện và kiểm thử mô hình

  • Tạo bằng: clf = DecisionTreeClassifier()

  • Tương tự hồi quy logistic, cây quyết định cũng dùng clf.fit(X_train, y_train) để huấn luyện và clf.predict(X_test) để dự đoán nhãn kiểm thử:

    array([0, 1, 1, ..., 1, 0, 1])

  • clf.predict_proba(X_test) để lấy xác suất:

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

  • Ví dụ chia ngẫu nhiên tập huấn luyện/kiểm thử, kiểm thử chiếm 30%: train_test_split(X, y, test_size = .3, random_state = 0)

Dự đoán CTR với Machine Learning trong Python

Đánh giá bằng đường cong ROC

Ví dụ diện tích dưới đường cong ROC cho một bộ phân loại

  • Tỷ lệ dương tính thật (trục Y) = #(dự đoán dương, thực dương) / #(dương)
  • Tỷ lệ dương tính giả (trục X) = #(dự đoán dương, thực âm) / #(âm)
  • Đường chấm xanh: AUC chuẩn 0,5
  • Muốn đường cam (AUC) càng gần 1 càng tốt
Dự đoán CTR với Machine Learning trong Python

AUC của đường cong ROC

Y_score = clf.predict_proba(X_test)

fpr, tpr, thresholds = roc_curve(Y_test, Y_score[:, 1])
  • Đầu vào roc_curve(): mảng test và điểm số
roc_auc = auc(fpr, tpr)

  • Đầu vào auc(): mảng dương giả và dương thật

  • Nếu mô hình chính xác và CTR thấp, hãy xem xét lại thông điệp quảng cáo và đối tượng mục tiêu

Dự đoán CTR với Machine Learning trong Python

Ayo berlatih!

Dự đoán CTR với Machine Learning trong Python

Preparing Video For Download...