मॉडल की समीक्षा और तुलना
Python में Machine Learning के साथ CTR प्रेडिक्शन
Kevin Huo
Instructor
मॉडल समीक्षा
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier
- Logistic regression: रैखिक क्लासिफायर जो decision boundary पहचानता है
- Decision trees: शर्तों का ट्री-फॉर्मेट
- Random Forests: Decision Trees का एंसेंबल
- Neural Networks (MLPs): लेयर्स जो फीचर्स के linear combinations और nonlinear activation function का उपयोग करती हैं
मॉडल इम्प्लीमेंटेशन
समानताएँ
- फीचर ट्रांसफॉर्मेशन और रेग्यूलराइज़ेशन
classifier.fit(X_train, y_train)से फिट करेंpredict_proba()औरpredict()से प्रेडिक्शन
अंतर
- Decision Trees:
max_depth,min_samples_split - Random Forests:
n_estimators,oob_score - Logistic Regression:
fit_intercept,class_weight - Neural Networks:
hidden_layer_sizes,max_iter
मॉडल मूल्यांकन
- प्रमुख evaluation metrics:
- Confusion matrix:
confusion_matrix(y_test, y_pred) - Precision:
precision_score(y_test, y_pred) - Recall:
recall_score(y_test, y_pred) - F-beta score:
fbeta_score(y_test, y_pred, beta = 0.5) - ROC कर्व का AUC:
roc_auc_score(y_test, y_score[:, 1])
- Confusion matrix:
न्यूरल नेटवर्क्स के मुख्य फायदे और सीमाएँ
फायदे
- डेटा के साथ स्केलेबिलिटी
- फीचर इंजीनियरिंग की कम ज़रूरत
- डोमेन्स में ज़्यादा ट्रांसफ़रेबल
सीमाएँ
- छोटे डेटासेट पर कम शक्तिशाली
- समझना कठिन
- कम्प्यूटेशनल और वित्तीय रूप से महँगा
अभ्यास करते हैं!
Python में Machine Learning के साथ CTR प्रेडिक्शन
