ROI für Werbeausgaben
Die Rendite auf Investitionen (Return on Investment, ROI) für Werbeausgaben lässt sich mithilfe der vier Ergebnisse einer Konfusionsmatrix kategorisieren. Diese Größe ist als Verhältnis zwischen Gesamtrendite und Gesamtkosten definiert. Ist dieser Wert größer als 1, war die Gesamtrendite höher als die Gesamtkosten – und umgekehrt. In dieser Übung berechnest du einen Beispiel-ROI unter der Annahme eines festen r, der Rendite pro Klick je Anzahl an Impressions, und cost, den Kosten pro Anzahl an Impressions.
Das pandas-Modul ist in deinem Workspace als pd verfügbar und der Beispiel-DataFrame ist als df geladen. Die Arrays y_test (Zielwerte des Testsets) und y_pred (vorhergesagte Zielwerte) stehen zur Verfügung. Außerdem ist DecisionTreeClassifier aus sklearn.tree verfügbar.
Diese Übung ist Teil des Kurses
CTR-Vorhersage mit Machine Learning in Python
Anleitung zur Übung
- Berechne die Konfusionsmatrix und erhalte die vier Kategorien, indem du die Matrix mit
.ravel()abflachst. - Berechne die Gesamtrendite (mit
r) und die Gesamtkosten (mitcost), indem du die Größen aus den vier Kategorien verwendest. - Berechne den gesamten ROI.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Compute confusion matrix and get four categories
conf_matrix = ____(y_test, y_pred)
tn, fp, fn, tp = conf_matrix.____
# Calculate total return, total spent, and ROI
r = 0.2
cost = 0.05
total_return = ____ * r
total_cost = (____ + ____) * cost
roi = ____ / ____
print("Total return: %s, Total cost: %s, ROI: %s" %(
total_return, total_cost, roi))