Прогноз CTR за допомогою дерев рішень

Прогнозування CTR за допомогою машинного навчання в Python

Kevin Huo

Instructor

Дерева рішень

Приклад дерева рішень для схвалення кредитів за віком і статусом студента

Створення: clf = DecisionTreeClassifier()
Подібно до логістичної регресії, дерево рішень також використовує clf.fit(X_train, y_train) для навчання і clf.predict(X_test) для міток тесту:
```
array([0, 1, 1, ..., 1, 0, 1])
```
clf.predict_proba(X_test) — для ймовірностей:
```
array([0.2, 0.8], [0.4, 0.6] ..., [0.1, 0.9] [0.3, 0.7]])
```
Приклад випадкового поділу на train/test, де тест — 30% вибірки: train_test_split(X, y, test_size = .3, random_state = 0)

Приклад площі під ROC-кривою для класифікатора

True positive rate (вісь Y) = #(класифікатор прогнозує «позитив», фактично позитив) / #(позитиви)
False positive rate (вісь X) = #(класифікатор прогнозує «позитив», фактично негатив) / #(негативи)
Пунктирна синя лінія: базовий AUC 0,5
Прагнемо, щоб помаранчева лінія (AUC) була якнайближче до 1

Y_score = clf.predict_proba(X_test)

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

roc_auc = auc(fpr, tpr)

Вхідні дані auc(): масиви false-positive і true-positive
Якщо модель точна, а CTR низький, варто переглянути подачу оголошення та цільову аудиторію

Прогнозування CTR за допомогою машинного навчання в Python