Patru categorii de rezultate

De fiecare dată când modelul tău generează o predicție, rezultatul se va încadra în una dintre cele patru categorii: adevărat pozitiv (TP), fals pozitiv (FP), adevărat negativ (TN) și fals negativ (FN). Contextul de business din spatele fiecăreia este important de înțeles, deoarece îți ghidează procesul decizional — ce vrei să facă modelul și cum se traduce asta în rezultate concrete. În acest exercițiu, vei interpreta fiecare dintre cele patru rezultate.

Acest exercițiu face parte din cursul

Predicția CTR cu Machine Learning în Python

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Predicția CTR cu Machine Learning în Python

SkillTag.level.intermediateSkillTag.label

4.9+

Începe cursul gratuit

Cel mai probabil ești pe această pagină pentru că ai dat click pe un link. În acest capitol, vei afla de ce ratele de click (CTR) sunt esențiale în publicitatea țintită, cum să efectuezi operații de bază pe DataFrame-uri și cum poți folosi modele de machine learning pentru a prezice CTR.

Exercise 1: Introducere în ratele de clic Exercise 2: Primii pași Exercise 3: Explorarea caracteristicilor Exercise 4: Prima evaluare a datelor Exercise 5: Prezentare generală a modelelor de machine learning Exercise 6: Regresie logistică pentru cancerul de sân Exercise 7: Regresie logistică pentru imagini Exercise 8: Al doilea model de test Exercise 9: Predicția CTR folosind arbori de decizie Exercise 10: Implementarea modelului Exercise 11: Primul model CTR Exercise 12: Dincolo de simplă acuratețe

Acest capitol pune bazele analizei exploratorii a datelor (EDA). Folosind date de exemplu, vei utiliza biblioteca pandas pentru a examina coloane și tipuri de date, a explora valorile lipsă și a aplica hashing pentru ingineria caracteristicilor categorice. Toate acestea sunt esențiale atunci când explorezi caracteristici pentru o predicție CTR mai precisă.

Exercise 1: Analiză exploratorie a datelor Exercise 2: O primă privire Exercise 3: Verificarea valorilor lipsă Exercise 4: Distribuții în funcție de CTR Exercise 5: Ingineria caracteristicilor Exercise 6: Analiza coloanelor datetime Exercise 7: Conversia variabilelor categoriale Exercise 8: Crearea de noi caracteristici Exercise 9: Standardizarea caracteristicilor Exercise 10: Normalizare logaritmică Exercise 11: Înțelegerea standardizării Exercise 12: Scalare standard

Este momentul să aprofundezi. Descoperă cum poți folosi măsuri de performanță ale modelelor, precum precizia și recall-ul, pentru a răspunde la întrebări reale – de exemplu, evaluarea ROI-ului cheltuielilor publicitare. Vei învăța și modalități de a îmbunătăți aceste metrici, precum metodele de ansamblu și ajustarea hiperparametrilor.

Exercise 1: Aplicații ale evaluării metricilor Exercise 2: Patru categorii de rezultate

Exercițiul curent

Exercise 3: Evaluarea celor patru categorii Exercise 4: ROI pentru cheltuielile publicitare Exercise 5: Evaluarea modelului Exercise 6: Precizie și recuperare Exercise 7: Linia de bază Exercise 8: Compararea clasificatoarelor Exercise 9: Ajustarea modelelor Exercise 10: Regularizare Exercise 11: Validare încrucișată Exercise 12: Selecția modelului Exercise 13: Ansambluri și ajustarea hiperparametrilor Exercise 14: Înțelegerea reglării hiperparametrilor Exercise 15: Păduri aleatoare Exercise 16: Căutare pe grilă

CTR-ul campaniei tale poate influența semnificativ profiturile. În acest capitol, vei învăța cum poate fi folosită învățarea profundă pentru a reduce acest risc. Te vei concentra pe modelele de tip perceptron multistrat (MLP) și rețele neuronale, și vei vedea cum acestea pot surprinde relații complexe între variabile pentru a prezice CTR cu mai multă acuratețe. În final, vei explora cum să aplici elementele de bază ale ajustării hiperparametrilor și regularizării în modelele de clasificare.

Exercise 1: Introducere în învățarea profundă Exercise 2: Înțelegerea rețelelor MLP Exercise 3: Primul model Exercise 4: MLP pentru CTR Exercise 5: Ajustarea hiperparametrilor în învățarea profundă Exercise 6: Ajustarea hiperparametrilor în MLPs Exercise 7: Varierea hiperparametrilor Exercise 8: Grid Search pentru MLP Exercise 9: Evaluarea modelului Exercise 10: Scorul F-beta Exercise 11: Precizie scăzută și AUC ridicat Exercise 12: Precizie, ROI și AUC Exercise 13: Revizuirea și compararea modelelor Exercise 14: Comparație introductivă a modelelor Exercise 15: Evaluarea preciziei și a ROI Exercise 16: Evaluare completă Exercise 17: Video de încheiere