Przegląd modeli uczenia maszynowego

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Kevin Huo

Instructor

Regresja logistyczna

Przykład regresji logistycznej z czerwonymi i niebieskimi punktami

Regresja logistyczna: liniowy klasyfikator między zmienną zależną a zmiennymi niezależnymi

Trenowanie modelu

Model można utworzyć za pomocą: clf = LogisticRegression()
Każdy klasyfikator ma metodę fit(), przyjmującą X_train, y_train: clf.fit(X_train, y_train)
X_train to wektor cech treningowych, y_train to wektor docelowych wartości treningowych
Klasyfikator powinien widzieć tylko dane treningowe, aby uniknąć "podglądu odpowiedzi"

Testowanie modelu

Każdy klasyfikator ma metodę predict(), przyjmującą X_test i zwracającą y_test:
```
array([0, 1, 1, ..., 1, 0, 1])
```

Metoda predict_proba() zwraca wyniki prawdopodobieństwa

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

Wynik odzwierciedla prawdopodobieństwo kliknięcia danej reklamy przez danego użytkownika

Ocena modelu

Dokładność: odsetek poprawnie zidentyfikowanych wartości docelowych
accuracy_score(y_test, y_pred)
Nie powinna być jedyną metryką oceny modelu, szczególnie przy niezbalansowanych zbiorach danych
Prognozowanie CTR to przykład, gdzie klasy są niezbalansowane

Czas na ćwiczenia!

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Preparing Video For Download...