การปรับแต่งโมเดล

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

Kevin Huo

Instructor

Regularization

ตัวอย่าง Regularization แสดงเส้นสีน้ำเงินและสีเขียว

Regularization: ลด Overfitting โดยปรับขนาดสัมประสิทธิ์ของพารามิเตอร์ในโมเดล
Regularization ช่วยเพิ่ม Performance Metrics และ ROI จากค่าโฆษณา

ตัวอย่าง Regularization

Logistic Regression: พารามิเตอร์ C คือค่าผกผันของความแรงของ Regularization
จากซับซ้อนน้อยไปมาก: C=0.05 < C=0.5 < C=1
Decision Tree: พารามิเตอร์ max_depth กำหนดความลึกสูงสุดของต้นไม้
จากซับซ้อนน้อยไปมาก: max_depth=3 < max_depth=5 < max_depth=10

Cross Validation

K-fold Cross Validation

ในแต่ละ Fold จาก k Fold จะใช้ Fold นั้นเป็นชุดทดสอบ (Validation) ส่วนอีก k-1 Fold ใช้เป็นชุดฝึก
จึงได้ผลการประเมินประสิทธิภาพโมเดลทั้งหมด k ครั้ง
ยังคงมีชุดทดสอบแยกต่างหากสำหรับการประเมินขั้นสุดท้าย

ตัวอย่าง Cross Validation

k_fold = KFold(n_splits = 4, random_state = 0, shuffle = True)

for i in [3, 5, 10]:
  clf = DecisionTreeClassifier(max_depth = i)
  cv_precision = cross_val_score(
    clf, X_train, y_train, cv = k_fold, 
    scoring = 'precision_weighted')

Scoring strings: precision_weighted, recall_weighted, roc_auc

มาฝึกกันเถอะ!

การพยากรณ์ CTR ด้วย Machine Learning ใน Python