Przewidywanie CTR za pomocą drzew decyzyjnych

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Kevin Huo

Instructor

Drzewa decyzyjne

Przykład drzewa decyzyjnego do przyznawania kredytów na podstawie wieku i statusu studenta

Tworzenie: clf = DecisionTreeClassifier()
Podobnie jak regresja logistyczna, drzewo decyzyjne używa clf.fit(X_train, y_train) do trenowania i clf.predict(X_test) do przewidywania etykiet:
```
array([0, 1, 1, ..., 1, 0, 1])
```

clf.predict_proba(X_test) do uzyskania prawdopodobieństw:

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

Przykład losowego podziału na dane treningowe i testowe, gdzie dane testowe stanowią 30% próby: train_test_split(X, y, test_size = .3, random_state = 0)

Przykład pola pod krzywą ROC dla klasyfikatora

Czułość (oś Y) = #(klasyfikator przewiduje pozytywny, faktycznie pozytywny) / #(pozytywnych)
Odsetek fałszywych alarmów (oś X) = #(klasyfikator przewiduje pozytywny, faktycznie negatywny) / #(negatywnych)
Przerywana niebieska linia: bazowe AUC = 0,5
Pomarańczowa linia (AUC) powinna być jak najbliżej 1

Y_score = clf.predict_proba(X_test)

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

roc_auc = auc(fpr, tpr)

auc() — dane wejściowe: tablice fałszywych i prawdziwych wyników pozytywnych
Jeśli model jest dokładny, a CTR niski, warto ponownie ocenić przekaz reklamy i docelową grupę odbiorców

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie