Aperçu des modèles de Machine Learning

Prédire le CTR avec le Machine Learning en Python

Kevin Huo

Instructor

Régression logistique

Exemple de régression logistique avec des points rouges et bleus

  • Régression logistique : classifieur linéaire liant variable dépendante et variables indépendantes
Prédire le CTR avec le Machine Learning en Python

Entraîner le modèle

  • Créer le modèle : clf = LogisticRegression()
  • Chaque classifieur a une méthode fit() qui prend X_train, y_train : clf.fit(X_train, y_train)
  • X_train est le vecteur des caractéristiques d'entraînement, y_train le vecteur des cibles d'entraînement
  • Le classifieur ne doit voir que les données d'entraînement pour éviter de « voir les réponses d'avance »
Prédire le CTR avec le Machine Learning en Python

Tester le modèle

  • Chaque classifieur a une méthode predict() qui prend X_test pour générer y_test ainsi :
    array([0, 1, 1, ..., 1, 0, 1])
  • La méthode predict_proba() produit des probabilités
    array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])
  • Le score reflète la probabilité qu'une annonce soit cliquée par un utilisateur donné
Prédire le CTR avec le Machine Learning en Python

Évaluer le modèle

  • Exactitude : pourcentage des cibles de test correctement identifiées
  • accuracy_score(y_test, y_pred)
  • Ne doit pas être l'unique métrique d'évaluation, surtout avec des ensembles déséquilibrés
  • La prévision du CTR est un exemple de classes déséquilibrées
Prédire le CTR avec le Machine Learning en Python

Passons à la pratique !

Prédire le CTR avec le Machine Learning en Python

Preparing Video For Download...