Ingineria caracteristicilor

Predicția CTR cu Machine Learning în Python

Kevin Huo

Instructor

Lucrul cu date calendaristice

print(df.hour.head(1))

14102101

df['hour'] = pd.to_datetime(
  df['hour'], format = '%y%m%d%H')
df['hour_of_day'] = df['hour'].dt.hour
print(df.hour.head(1))

2014-10-21 01:00:0

print(df.groupby('hour_of_day')
      ['click'].sum())

             click
hour_of_day       
1             1092
2             6546

Conversia variabilelor categoriale prin hashing

Caracteristicile categoriale trebuie convertite în format numeric
Funcția hash: mapează o intrare arbitrară la un număr întreg, returnând același rezultat pentru o intrare dată
Funcție lambda: lambda x: f(x)
Aplicați funcția hash prin f(x) = hash(x) astfel:

df['site_id'] = df['site_id'].apply(lambda x: hash(x))

83a0ad1a -> -9161053084583616050
85f751fd-> 818242008494177460

O privire mai atentă asupra caracteristicilor

Exemple cu count() și nunique():

df['ad_type'].count()

df['ad_type'].nunique()

Exemplu de distribuție a unei coloane categoriale

Crearea caracteristicilor

Majoritatea variabilelor sunt categoriale
Mai multe caracteristici îmbunătățesc puterea predictivă
Exemplu de caracteristică nouă: impresii după device_id (utilizator) și search_engine_type:

df['device_id_count'] = df.groupby('device_id')['click'].transform("count")
df['search_engine_type_count'] = df.groupby('search_engine_type')['click'].transform("count")
print(df.head(1))

...  device_id_count  search_engine_type_count
...            40862                     47710

Să exersăm!

Predicția CTR cu Machine Learning în Python