度量评估的应用

用 Python 预测 CTR 的机器学习实战

Kevin Huo

Instructor

四类结果

分类中四类结果示例

  • 类别前半部分（true/false）表示模型是否预测正确
  • 类别后半部分（positive/negative）表示模型判为的目标标签
用 Python 预测 CTR 的机器学习实战

四类结果的含义

  • 若模型预测有点击，则会为该曝光出价，产生成本
  • 若预测无点击，则不出价，无成本
  • 真阳性（TP）：赚钱（付费的曝光被点击）。
  • 假阳性（FP）：亏钱（付费的曝光未被点击）。
  • 真阴性（TN）：省钱（预测无点击，未购买曝光）。
  • 假阴性（FN）：错失收益（预测无点击，但实际会被点击）。
用 Python 预测 CTR 的机器学习实战

混淆矩阵

print(confusion_matrix(y_test, y_pred))

[[8163  166]
 [1517  154]]

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

[8163, 166, 1517, 154]
用 Python 预测 CTR 的机器学习实战

ROI 分析

  • 假设：每X个曝光的成本 c 与回报 r
total_return = tp * r

total_cost = (tp + fp) * c

tp * r > (tp + fp) * c

roi = total_return / total_spent
用 Python 预测 CTR 的机器学习实战

Passons à la pratique !

用 Python 预测 CTR 的机器学习实战

Preparing Video For Download...