Příprava příznaků

Předpovídání CTR pomocí Machine Learning v Pythonu

Kevin Huo

Instructor

Práce s daty

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

Převod kategorických proměnných pomocí hashování

Kategorické příznaky musí být převedeny na číselný formát
Hashovací funkce: mapuje libovolný vstup na celočíselný výstup, pro daný vstup vrací vždy stejný výsledek
Lambda funkce: lambda x: f(x)
Aplikace hashovací funkce f(x) = hash(x):

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

83a0ad1a -> -9161053084583616050
85f751fd-> 818242008494177460

Bližší pohled na příznaky

Příklady count() a nunique():

df['ad_type'].count()

df['ad_type'].nunique()

Příklad rozložení kategorického sloupce

Tvorba příznaků

Většina proměnných je kategorická
Více příznaků zvyšuje prediktivní sílu modelu
Příklad nového příznaku: zobrazení podle device_id (uživatele) a 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

Pojďme si procvičit!

Předpovídání CTR pomocí Machine Learning v Pythonu