CommencezCommencez gratuitement

Un premier modèle de CTR

Dans cet exercice, vous allez créer un premier modèle de CTR sur l'ensemble de données Avazu à l'aide d'un arbre de décision et évaluer la justesse du modèle avec accuracy_score() de sklearn. Vous utiliserez également train_test_split() de sklearn pour séparer les données d'entraînement et de test au lieu de définir manuellement un point de coupure comme plus tôt.

Dans votre espace de travail, des données d'exemple sous forme de DataFrame sont chargées dans df, et sklearn et pandas sont importés sous pd.

Nous ferons une séparation de base entre entraînement et test et évaluerons nos résultats avec la justesse (accuracy).

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Définissez X et y comme les variables explicatives et la cible, respectivement, à partir de la colonne click.
  • Séparez les données en ensembles d'entraînement et de test en utilisant train_test_split(X, y).
  • Créez un classificateur par arbre de décision.
  • Générez des prédictions avec le classificateur et évaluez la justesse de ses prédictions.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Define X and y 
X = df.____[:, ~df.columns.____(['click'])]
y = df.click

# Define training and testing
X_train, X_test, y_train, y_test = \
	____(____, _____, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = ____()

# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(____, _____).____(X_test) 
print(____(y_test, y_pred))
Modifier et exécuter le code