Predikce CTR pomocí rozhodovacích stromů

Předpovídání CTR pomocí Machine Learning v Pythonu

Kevin Huo

Instructor

Rozhodovací stromy

Příklad rozhodovacího stromu pro rozhodování o úvěrech na základě věku a statusu studenta

Vytvoření: clf = DecisionTreeClassifier()
Podobně jako logistická regrese – clf.fit(X_train, y_train) pro trénování a clf.predict(X_test) pro predikci štítků:
```
array([0, 1, 1, ..., 1, 0, 1])
```

clf.predict_proba(X_test) pro skóre pravděpodobnosti:

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

Příklad náhodného rozdělení dat, kde testovací data tvoří 30 % celkového vzorku: train_test_split(X, y, test_size = .3, random_state = 0)

Příklad plochy pod křivkou ROC pro klasifikátor

Míra skutečně pozitivních (osa Y) = #(klasifikátor predikuje pozitivní, skutečně pozitivní) / #(pozitivní)
Míra falešně pozitivních (osa X) = #(klasifikátor predikuje pozitivní, skutečně negativní) / #(negativní)
Modrá přerušovaná čára: základní AUC = 0,5
Oranžová čára (AUC) by se měla co nejvíce blížit hodnotě 1

Y_score = clf.predict_proba(X_test)

fpr, tpr, thresholds = roc_curve(Y_test, Y_score[:, 1])

roc_auc = auc(fpr, tpr)

Vstup auc(): pole falešně pozitivních a skutečně pozitivních hodnot
Je-li model přesný a CTR nízké, zvažte způsob sdělení reklamního poselství a zacílení na správné publikum

Předpovídání CTR pomocí Machine Learning v Pythonu