Zastosowania oceny metryk

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Kevin Huo

Instructor

Cztery kategorie wyników

Przykład czterech kategorii wyników w klasyfikacji

Pierwsza część kategorii (prawda/fałsz) wskazuje, czy model się pomylił
Druga część kategorii (pozytywna/negatywna) oznacza etykietę docelową przypisaną przez model

Jeśli model przewiduje kliknięcie, składana jest oferta za wyświetlenie, co generuje koszt
Jeśli brak przewidywanego kliknięcia, brak oferty i brak kosztu
Prawdziwie pozytywne (TP): uzyskany przychód (opłacone wyświetlenia, które zostały kliknięte).
Fałszywie pozytywne (FP): poniesiona strata (opłacone wyświetlenia, które nie zostały kliknięte).
Prawdziwie negatywne (TN): zaoszczędzone środki (brak kliknięcia, brak zakupu wyświetlenia).
Fałszywie negatywne (FN): utracony przychód (brak kliknięcia, ale w rzeczywistości kliknięcie by nastąpiło).

print(confusion_matrix(y_test, y_pred))

[[8163  166]
 [1517  154]]

# Order: tn, fp, fn, tp
print(confusion_matrix(y_test, y_pred).ravel())

[8163, 166, 1517, 154]

total_return = tp * r

total_cost = (tp + fp) * c

tp * r > (tp + fp) * c

roi = total_return / total_spent

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie