Prédiction du CTR avec des arbres de décision

Prédire le CTR avec le Machine Learning en Python

Kevin Huo

Instructor

Arbres de décision

Exemple d'arbre de décision pour l'octroi d'un prêt selon l'âge et le statut d'étudiant

Créer avec : clf = DecisionTreeClassifier()
Comme pour la régression logistique, un arbre de décision utilise aussi clf.fit(X_train, y_train) pour l'entraînement et clf.predict(X_test) pour prédire les étiquettes :
```
array([0, 1, 1, ..., 1, 0, 1])
```

clf.predict_proba(X_test) pour les probabilités :

array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])

Exemple de découpage aléatoire entraînement/test, avec 30 % des données en test : train_test_split(X, y, test_size = .3, random_state = 0)

Exemple d'aire sous la courbe ROC pour un classificateur

Taux de vrais positifs (axe Y) = #(prédit positif, réellement positif) / #(positifs)
Taux de faux positifs (axe X) = #(prédit positif, réellement négatif) / #(négatifs)
Ligne bleue pointillée : AUC de référence de 0,5
Viser une courbe orange (AUC) la plus proche possible de 1

Y_score = clf.predict_proba(X_test)

fpr, tpr, thresholds = roc_curve(Y_test, Y_score[:, 1])

roc_auc = auc(fpr, tpr)

Entrées de auc() : tableaux de faux positifs et de vrais positifs
Si le modèle est précis et que le CTR est faible, envisagez de revoir le message publicitaire et le public visé

Prédire le CTR avec le Machine Learning en Python