Обзор моделей машинного обучения

Прогнозирование CTR с помощью машинного обучения на Python

Kevin Huo

Instructor

Логистическая регрессия

Пример логистической регрессии с красными и синими точками

  • Логистическая регрессия: линейный классификатор, связывающий зависимую переменную с независимыми
Прогнозирование CTR с помощью машинного обучения на Python

Обучение модели

  • Модель создаётся так: clf = LogisticRegression()
  • У каждого классификатора есть метод fit(), принимающий X_train, y_train: clf.fit(X_train, y_train)
  • X_train — вектор обучающих признаков, y_train — вектор целевых меток
  • Классификатор должен видеть только обучающие данные, чтобы не «подглядывать» ответы заранее
Прогнозирование CTR с помощью машинного обучения на Python

Тестирование модели

  • У каждого классификатора есть метод predict(), принимающий X_test и возвращающий y_test:
    array([0, 1, 1, ..., 1, 0, 1])
  • Метод predict_proba() возвращает вероятностные оценки
    array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])
  • Оценка отражает вероятность того, что конкретный пользователь кликнет по конкретному объявлению
Прогнозирование CTR с помощью машинного обучения на Python

Оценка модели

  • Точность: доля тестовых меток, определённых правильно
  • accuracy_score(y_test, y_pred)
  • Не следует ограничиваться только этой метрикой — особенно при несбалансированных данных
  • Прогнозирование CTR — пример задачи с несбалансированными классами
Прогнозирование CTR с помощью машинного обучения на Python

Давайте потренируемся!

Прогнозирование CTR с помощью машинного обучения на Python

Preparing Video For Download...