Введение в показатели кликабельности

Прогнозирование CTR с помощью машинного обучения на Python

Kevin Huo

Instructor

Показатели кликабельности

  • Показатель кликабельности (CTR): количество кликов по рекламе / количество её показов
  • Компании и маркетологи стремятся максимизировать CTR
  • Прогнозирование CTR — важная задача для компаний и маркетологов

Пример рекламного объявления из Facebook

Прогнозирование CTR с помощью машинного обучения на Python

Взгляд через призму классификации

  • Классификация: присвоение категорий наблюдениям
  • Классификаторы обучаются на обучающих данных и оцениваются на тестовых
  • Целевая переменная: бинарная, 0/1 — нет клика или клик
  • Признак: любая переменная, используемая для предсказания целевой

Пример классификации с красными и синими точками

Прогнозирование CTR с помощью машинного обучения на Python

Краткий обзор данных

Примеры строк из набора данных о кликах по рекламе

  • Каждая строка — конкретный результат (клик или нет) для данного пользователя и данного объявления
  • Фильтрация столбцов выполняется с помощью .isin(): df.columns.isin(['device'])]
  • Если y — столбец кликов, CTR вычисляется как: y.sum()/len(y)
Прогнозирование CTR с помощью машинного обучения на Python

Анализ признаков

print(df.device_type.value_counts())

1    45902
0    2947

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

0     633
1    7890
Прогнозирование CTR с помощью машинного обучения на Python

Давайте потренируемся!

Прогнозирование CTR с помощью машинного обучения на Python

Preparing Video For Download...