CTR-prediktion med beslutsträd

Förutsäga CTR med maskininlärning i Python

Kevin Huo

Instructor

Beslutsträd

Exempel på beslutsträd för kreditbeslut baserat på ålder och studentstatus

Skapa via: clf = DecisionTreeClassifier()
Liksom logistisk regression använder ett beslutsträd clf.fit(X_train, y_train) för träningsdata och clf.predict(X_test) för testningsetiketter:
```
array([0, 1, 1, ..., 1, 0, 1])
```

clf.predict_proba(X_test) för sannolikhetspoäng:

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

Exempel på slumpmässig uppdelning i tränings- och testdata, där testdata utgör 30 % av den totala urvalsstorleken: train_test_split(X, y, test_size = .3, random_state = 0)

Exempel på arean under ROC-kurvan för en klassificerare

Sant positivt urval (Y-axel) = #(klassificeraren förutsäger positivt, faktiskt positivt) / #(positiva)
Falskt positivt urval (X-axel) = #(klassificeraren förutsäger positivt, faktiskt negativt) / #(negativa)
Prickad blå linje: baslinjens AUC på 0,5
Den orange linjen (AUC) bör ligga så nära 1 som möjligt

Y_score = clf.predict_proba(X_test)

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

roc_auc = auc(fpr, tpr)

auc() tar in: arrayer för falskt positiva och sant positiva
Om modellen är träffsäker men CTR är låg kan det vara värt att se över hur annonsbudskapet förmedlas och vilken målgrupp det riktar sig till

Förutsäga CTR med maskininlärning i Python