ROI z wydatków na reklamy

Zwrot z inwestycji (ROI) w wydatki na reklamy można sklasyfikować przy użyciu czterech wyników z macierzy pomyłek. Wartość ta jest definiowana jako stosunek całkowitego zwrotu do całkowitego kosztu. Jeśli wartość ta jest większa niż 1, oznacza to, że całkowity zwrot przekroczył całkowity koszt – i odwrotnie. W tym ćwiczeniu obliczysz przykładowy ROI, zakładając stałe r (zwrot z kliknięcia na liczbę wyświetleń) oraz cost (koszt na liczbę wyświetleń).

Moduł pandas jest dostępny jako pd w twoim środowisku, a przykładowy DataFrame jest wczytany jako df. Tablice y_test (wartości docelowe zbioru testowego) i y_pred (przewidywane wartości docelowe) są dostępne do użycia. Ponadto dostępny jest DecisionTreeClassifier z biblioteki sklearn.tree.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Instrukcje do ćwiczenia

Oblicz macierz pomyłek i pobierz cztery kategorie, spłaszczając macierz za pomocą .ravel().
Oblicz całkowity zwrot (używając r) oraz całkowity koszt (używając cost), korzystając z wartości z czterech kategorii.
Oblicz całkowity ROI.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

SkillTag.level.intermediateSkillTag.label

4.9+

Rozpocznij kurs za darmo

Prawdopodobnie trafiłeś na tę stronę, klikając jakiś link. W tym rozdziale dowiesz się, dlaczego współczynniki klikalności (CTR) odgrywają kluczową rolę w reklamie ukierunkowanej, jak wykonywać podstawowe operacje na DataFrame oraz jak używać modeli uczenia maszynowego do przewidywania CTR.

Exercise 1: Wprowadzenie do współczynników klikalności Exercise 2: Pierwsze kroki Exercise 3: Eksploracja cech Exercise 4: Pierwsze spojrzenie na dane Exercise 5: Przegląd modeli uczenia maszynowego Exercise 6: Regresja logistyczna do wykrywania raka piersi Exercise 7: Regresja logistyczna dla obrazów Exercise 8: Drugi model testowy Exercise 9: Przewidywanie CTR za pomocą drzew decyzyjnych Exercise 10: Implementacja modelu Exercise 11: Pierwszy model CTR Exercise 12: Poza samą dokładnością

Ten rozdział stanowi podstawę eksploracyjnej analizy danych (EDA). Korzystając z przykładowych danych, użyjesz biblioteki pandas, aby przyjrzeć się kolumnom i typom danych, zbadać brakujące wartości oraz zastosować haszowanie do inżynierii cech kategorycznych. Wszystkie te umiejętności są niezbędne podczas eksploracji cech na potrzeby dokładniejszego przewidywania CTR.

Exercise 1: Eksploracyjna analiza danych Exercise 2: Pierwsze spojrzenie Exercise 3: Sprawdzanie brakujących wartości Exercise 4: Rozkłady według CTR Exercise 5: Inżynieria cech Exercise 6: Analiza kolumn datetime Exercise 7: Konwersja zmiennych kategorycznych Exercise 8: Tworzenie nowych cech Exercise 9: Standaryzacja cech Exercise 10: Normalizacja logarytmiczna Exercise 11: Rozumienie standaryzacji Exercise 12: Skalowanie standardowe

Czas zagłębić się w temat. Przekonasz się, jak miary wydajności modelu – takie jak precyzja i recall – pomagają odpowiadać na pytania z realnego świata, na przykład dotyczące zwrotu z inwestycji w reklamę. Nauczysz się też, jak poprawiać te miary ewaluacji, korzystając z metod zespołowych i strojenia hiperparametrów.

Exercise 1: Zastosowania oceny metryk Exercise 2: Cztery kategorie wyników Exercise 3: Ocena czterech kategorii Exercise 4: ROI z wydatków na reklamy

Bieżące ćwiczenie

Exercise 5: Ocena modelu Exercise 6: Precyzja i czułość Exercise 7: Punkt odniesienia Exercise 8: Porównanie klasyfikatorów Exercise 9: Dostrajanie modeli Exercise 10: Regularyzacja Exercise 11: Walidacja krzyżowa Exercise 12: Wybór modelu Exercise 13: Ensembles i dostrajanie hiperparametrów Exercise 14: Strojenie hiperparametrów – podstawy Exercise 15: Lasy losowe Exercise 16: Przeszukiwanie siatki

CTR kampanii może mieć duży wpływ na zyski. W tym rozdziale dowiesz się, jak uczenie głębokie pomaga ograniczyć to ryzyko. Skupisz się na modelu wielowarstwowego perceptronu (MLP) i sieciach neuronowych, a także poznasz, jak wykorzystać je do uchwycenia złożonych zależności między zmiennymi w celu dokładniejszego przewidywania CTR. Na koniec zapoznasz się z podstawami strojenia hiperparametrów i regularyzacji w modelach klasyfikacyjnych.

Exercise 1: Wprowadzenie do uczenia głębokiego Exercise 2: Zrozumienie MLP Exercise 3: Pierwszy model Exercise 4: MLP dla CTR Exercise 5: Dostrajanie hiperparametrów w uczeniu głębokim Exercise 6: Strojenie hiperparametrów w sieciach MLP Exercise 7: Zmiana hiperparametrów Exercise 8: Przeszukiwanie siatki dla MLP Exercise 9: Ocena modelu Exercise 10: Wynik F-beta Exercise 11: Niska precyzja i wysokie AUC Exercise 12: Precyzja, ROI i AUC Exercise 13: Przegląd i porównanie modeli Exercise 14: Rozgrzewka: porównanie modeli Exercise 15: Ocena precyzji i ROI Exercise 16: Pełna ocena modeli Exercise 17: Podsumowanie wideo