Ladění modelů

Předpovídání CTR pomocí Machine Learning v Pythonu

Kevin Huo

Instructor

Regularizace

Příklad regularizace s modrou a zelenou čarou

Regularizace: řešení přeučení úpravou velikosti koeficientů parametrů modelu
Regularizace může zlepšit metriky výkonu, a tím i návratnost investic do reklamy

Příklady regularizace

Logistická regrese: parametr C je inverzní hodnota síly regularizace.
Od nejjednodušší po nejsložitější: C=0.05 < C=0.5 < C=1
Rozhodovací strom: parametr max_depth určuje maximální hloubku stromu.
Od nejjednodušší po nejsložitější: max_depth=3 < max_depth=5 < max_depth=10

Křížová validace

K-fold křížová validace

Pro každý z k bloků slouží daný blok jako testovací sada (pro validaci), zatímco zbývajících k-1 bloků je použito k trénování.
Výsledkem je k hodnocení výkonu modelu.
Samostatná testovací sada pro vyhodnocení zůstává zachována.

Příklady křížové validace

k_fold = KFold(n_splits = 4, random_state = 0, shuffle = True)

for i in [3, 5, 10]:
  clf = DecisionTreeClassifier(max_depth = i)
  cv_precision = cross_val_score(
    clf, X_train, y_train, cv = k_fold, 
    scoring = 'precision_weighted')

Řetězce pro hodnocení: precision_weighted, recall_weighted, roc_auc

Pojďme cvičit!

Předpovídání CTR pomocí Machine Learning v Pythonu