Вступ до показника клікабельності

Прогнозування CTR за допомогою машинного навчання в Python

Kevin Huo

Instructor

Показник клікабельності

  • Показник клікабельності (CTR): # кліків по рекламі / # переглядів реклами
  • Компанії та маркетологи прагнуть максимізувати CTR
  • Прогнозування CTR є критично важливим для бізнесу та маркетологів

Приклад реклами з Facebook

Прогнозування CTR за допомогою машинного навчання в Python

Погляд через призму класифікації

  • Класифікація: призначення категорій спостереженням
  • Класифікатори навчаються на тренувальних даних і оцінюються на тестових
  • Ціль: бінарна змінна 0/1 — без кліку або клік
  • Ознака: будь-яка змінна, що допомагає передбачити ціль

Приклад класифікації з червоним і синім

Прогнозування CTR за допомогою машинного навчання в Python

Короткий огляд вибірки даних

Приклад рядків із набору даних кліків по рекламі

  • Кожен рядок — це результат: клік чи ні для певного користувача і певної реклами
  • Фільтрування стовпців через .isin(): df.columns.isin(['device'])]
  • Якщо y — стовпець кліків, CTR: y.sum()/len(y)
Прогнозування CTR за допомогою машинного навчання в Python

Аналіз ознак

print(df.device_type.value_counts())

1    45902
0    2947

print(df.groupby('device_type')['click'].sum())

0     633
1    7890
Прогнозування CTR за допомогою машинного навчання в Python

Давайте потренуємось!

Прогнозування CTR за допомогою машинного навчання в Python

Preparing Video For Download...