Distributions selon le CTR

Pour chaque caractéristique prise individuellement, il est utile d'examiner à la fois sa distribution et la façon dont elle varie avec la variable d'intérêt. Dans cet exercice, vous allez explorer la caractéristique search_engine_type, un entier qui représente le moteur de recherche (comme Google ou Bing) par lequel l'utilisateur a exprimé son intention avant l'annonce. Pour des raisons de confidentialité, ces catégories sont anonymisées. Vous commencerez par construire et examiner la distribution de search_engine_type. Ensuite, vous verrez comment le CTR varie selon la valeur de search_engine_type, comme vous l'avez fait pour la répartition du CTR par type d'appareil et position de bannière au chapitre précédent.

Des données d'exemple sous forme de DataFrame sont chargées dans df. pandas sous le nom pd est aussi disponible dans votre espace de travail.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Construct bar chart for clicks by search engine type
se_df = df.____(['search_engine_type', 'click']).size().unstack()
se_df.plot(kind = 'bar', title = 'Value frequency for search engine type')
plt.show()

Modifier et exécuter le code

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

SkillTag.level.intermediateSkillTag.label

4.9+

Commencer le cours gratuitement

Il y a de fortes chances que vous soyez sur cette page parce que vous avez cliqué sur un lien. Dans ce chapitre, vous verrez pourquoi les taux de clics (CTR) sont essentiels au ciblage publicitaire, comment effectuer des manipulations de base de DataFrame et comment utiliser des modèles de Machine Learning pour prédire le CTR.

Exercise 1: Introduction aux taux de clics Exercise 2: Premiers pas Exercise 3: Exploration des caractéristiques Exercise 4: Première évaluation des données Exercise 5: Aperçu des modèles de Machine Learning Exercise 6: Régression logistique pour le cancer du sein Exercise 7: Régression logistique pour des images Exercise 8: Un deuxième modèle jouet Exercise 9: Prédire le CTR avec des arbres de décision Exercise 10: Mise en œuvre du modèle Exercise 11: Un premier modèle de CTR Exercise 12: Au-delà de la seule exactitude

Ce chapitre pose les bases de l'analyse exploratoire des données (EDA). À l'aide d'un jeu de données d'exemple, vous utiliserez la bibliothèque pandas pour examiner les colonnes et les types de données, explorer les valeurs manquantes et utiliser le hachage pour faire de l'ingénierie des caractéristiques sur des variables catégorielles. Tout cela est important lorsqu'on explore des caractéristiques afin d'améliorer la précision de la prédiction du CTR.

Exercise 1: Analyse exploratoire des données Exercise 2: Un premier coup d'œil Exercise 3: Vérifier les valeurs manquantes Exercise 4: Distributions selon le CTR

Exercice en cours

Exercise 5: Ingénierie des caractéristiques Exercise 6: Analyser des colonnes datetime Exercise 7: Convertir des variables catégorielles Exercise 8: Créer de nouvelles caractéristiques Exercise 9: Standardiser les caractéristiques Exercise 10: Normalisation logarithmique Exercise 11: Comprendre la standardisation Exercise 12: Normalisation standard

Passons à la vitesse supérieure. Découvrez comment utiliser des mesures de performance de modèles, comme la précision et le rappel, pour répondre à des questions concrètes, par exemple évaluer le rendement d'un investissement publicitaire (ROI). Vous verrez aussi des façons d'améliorer ces mesures d'évaluation, notamment les méthodes d'ensembles et l'ajustement des hyperparamètres.

Exercise 1: Applications de l'évaluation des mesures Exercise 2: Quatre catégories de résultats Exercise 3: Évaluer quatre catégories Exercise 4: ROI des dépenses publicitaires Exercise 5: Évaluation du modèle Exercise 6: Précision et rappel Exercise 7: Point de référence Exercise 8: Comparaison de classifieurs Exercise 9: Ajuster les modèles Exercise 10: Régularisation Exercise 11: Validation croisée Exercise 12: Sélection de modèle Exercise 13: Ensembles et réglage des hyperparamètres Exercise 14: Comprendre l'ajustement des hyperparamètres Exercise 15: Forêts aléatoires Exercise 16: Recherche par grille

Les profits peuvent être fortement influencés par le CTR de votre campagne. Dans ce chapitre, vous apprendrez comment le Deep Learning peut aider à réduire ce risque. Vous vous concentrerez sur les perceptrons multicouches (MLP) et les réseaux de neurones, et verrez comment ils permettent de capturer des relations complexes entre variables pour prédire le CTR plus précisément. Enfin, vous explorerez comment appliquer les notions de base d'ajustement des hyperparamètres et de régularisation à des modèles de classification.

Exercise 1: Introduction à l'apprentissage profond Exercise 2: Comprendre les MLP Exercise 3: Modèle de départ Exercise 4: MLP pour la prédiction du CTR Exercise 5: Ajustement des hyperparamètres en deep learning Exercise 6: Ajustement des hyperparamètres dans les MLP Exercise 7: Faire varier les hyperparamètres Exercise 8: Recherche par grille pour MLP Exercise 9: Évaluation du modèle Exercise 10: Score F-bêta Exercise 11: Faible précision et AUC élevée Exercise 12: Précision, RSI et AUC Exercise 13: Revue et comparaison des modèles Exercise 14: Mise en route : comparaison de modèles Exercise 15: Évaluer la précision et le ROI Exercise 16: Évaluation globale Exercise 17: Vidéo de récapitulation