Översikt av maskininlärningsmodeller

Förutsäga CTR med maskininlärning i Python

Kevin Huo

Instructor

Logistisk regression

Exempel på logistisk regression med röda och blå punkter

  • Logistisk regression: linjär klassificerare mellan beroende och oberoende variabler
Förutsäga CTR med maskininlärning i Python

Träna modellen

  • Skapa modellen via: clf = LogisticRegression()
  • Varje klassificerare har en fit()-metod som tar X_train, y_train: clf.fit(X_train, y_train)
  • X_train är vektorn med träningssärdrag, y_train är vektorn med träningsmål
  • Klassificeraren ska bara se träningsdata för att undvika att "se svaren i förväg"
Förutsäga CTR med maskininlärning i Python

Testa modellen

  • Varje klassificerare har en predict()-metod som tar X_test och genererar y_test:
    array([0, 1, 1, ..., 1, 0, 1])
  • predict_proba()-metoden producerar sannolikhetspoäng
    array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])
  • Poängen visar sannolikheten för att en viss annons klickas av en viss användare
Förutsäga CTR med maskininlärning i Python

Utvärdera modellen

  • Noggrannhet: andelen testmål som identifieras korrekt
  • accuracy_score(y_test, y_pred)
  • Bör inte vara det enda måttet vid modellutvärdering, särskilt med obalanserade datamängder
  • CTR-prediktion är ett exempel där klasserna är obalanserade
Förutsäga CTR med maskininlärning i Python

Nu kör vi en övning!

Förutsäga CTR med maskininlärning i Python

Preparing Video For Download...