CTR를 위한 MLP

이 연습 문제에서는 광고 CTR 데이터셋에 대해 기본 MLP 모델의 정확도와 ROC 곡선의 AUC를 평가해 보겠습니다. 훈련/테스트로 나누기 전에 특징을 표준화하는 것을 잊지 마세요!

X는 특징이 담긴 DataFrame으로, y는 타깃 값이 담긴 DataFrame으로 제공됩니다. sklearn과 pandas(pd)도 작업 공간에서 사용할 수 있습니다.

이 연습은 강의의 일부입니다

Python으로 Machine Learning을 활용한 CTR 예측

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
  X_scaled, y, test_size = .2, random_state = 0)

코드 편집 및 실행

이 연습은 강의의 일부입니다

Python으로 Machine Learning을 활용한 CTR 예측

SkillTag.level.intermediateSkillTag.label

4.9+

무료로 강의 시작하기

아마도 여러분은 어떤 링크를 클릭해서 이 페이지에 오셨을 거예요. 이 장에서는 타기팅 광고에서 클릭률(CTR)이 왜 중요한지, 기본적인 DataFrame 조작 방법, 그리고 CTR을 예측하기 위해 Machine Learning 모델을 어떻게 활용할 수 있는지 살펴봅니다.

Exercise 1: 클릭률 소개 Exercise 2: 첫걸음 Exercise 3: 특성 탐색 Exercise 4: 데이터 첫 평가 Exercise 5: Machine Learning 모델 개요 Exercise 6: 유방암 데이터에 대한 로지스틱 회귀 Exercise 7: 이미지용 로지스틱 회귀 Exercise 8: 두 번째 토이 모델 Exercise 9: 의사결정나무를 활용한 CTR 예측 Exercise 10: 모델 구현 Exercise 11: 첫 번째 CTR 모델 Exercise 12: 정확도만 넘어서기

이 장에서는 탐색적 데이터 분석(EDA)의 기초를 다집니다. 예시 데이터를 사용해 pandas 라이브러리로 열과 데이터 타입을 확인하고, 결측치를 탐색하며, 범주형 특징에 해싱을 적용해 특징 공학을 수행해 봅니다. 이는 더 정확한 CTR 예측을 위해 특징을 탐색할 때 모두 중요한 단계입니다.

Exercise 1: 탐색적 데이터 분석 Exercise 2: 첫 살펴보기 Exercise 3: 결측값 확인하기 Exercise 4: CTR별 분포 Exercise 5: 피처 엔지니어링 Exercise 6: datetime 열 분석하기 Exercise 7: 범주형 변수 변환하기 Exercise 8: 새로운 피처 만들기 Exercise 9: 특성 표준화하기 Exercise 10: 로그 정규화 Exercise 11: 표준화 이해하기 Exercise 12: 표준 스케일링

이제 더 깊이 들어가 볼 시간이에요. 정밀도와 재현율 같은 모델 성능 지표를 활용해 광고비의 ROI 평가와 같은 실제 문제에 답하는 방법을 알아봅니다. 또한 앙상블 방법과 하이퍼파라미터 튜닝처럼 이러한 평가 지표를 개선하는 방법도 배웁니다.

Exercise 1: 평가지표의 활용 Exercise 2: 네 가지 결과 범주 Exercise 3: 네 가지 범주 평가하기 Exercise 4: 광고 지출의 ROI Exercise 5: 모델 평가 Exercise 6: Precision과 Recall Exercise 7: 베이스라인 Exercise 8: 분류기 비교 Exercise 9: 모델 튜닝 Exercise 10: 정규화(Regularization)Exercise 11: 교차 검증 Exercise 12: 모델 선택 Exercise 13: 앙상블과 하이퍼파라미터 튜닝 Exercise 14: 하이퍼파라미터 튜닝 이해하기 Exercise 15: Random forests Exercise 16: 그리드 서치

캠페인의 CTR은 수익에 큰 영향을 줄 수 있습니다. 이 장에서는 Deep Learning을 활용해 그 위험을 줄이는 방법을 배웁니다. 다층 퍼셉트론(MLP)과 신경망 모델에 집중하여, 변수 간의 복잡한 관계를 포착해 CTR을 더 정확하게 예측하는 방법을 익힙니다. 마지막으로, 분류 모델에 기본적인 하이퍼파라미터 튜닝과 정규화를 적용하는 방법을 살펴봅니다.

Exercise 1: 딥 러닝 소개 Exercise 2: MLP 이해하기 Exercise 3: 시작해 보는 모델 Exercise 4: CTR를 위한 MLP

현재 연습

Exercise 5: Deep learning의 하이퍼파라미터 튜닝 Exercise 6: MLP에서의 하이퍼파라미터 튜닝 Exercise 7: 하이퍼파라미터 바꿔 보기 Exercise 8: MLP 그리드 서치 Exercise 9: 모델 평가 Exercise 10: F-beta 점수 Exercise 11: 낮은 Precision과 높은 AUC Exercise 12: 정밀도, ROI, 그리고 AUC Exercise 13: 모델 검토 및 비교 Exercise 14: 모델 비교 워밍업 Exercise 15: 정밀도와 ROI 평가 Exercise 16: 총점 산출 Exercise 17: 마무리 영상