Låg precision och hög AUC

Vilket av följande påståenden om sambandet mellan precision och AUC är inte sant?

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

SkillTag.level.intermediateSkillTag.label

4.9+

19 reviews

Starta kursen gratis

Du är förmodligen på den här sidan för att du klickade på en länk. I det här kapitlet lär du dig varför klickfrekvens (CTR) är central för riktad annonsering, hur du utför grundläggande DataFrame-manipulering och hur du kan använda maskininlärningsmodeller för att förutsäga CTR.

Exercise 1: Introduktion till klickfrekvenser Exercise 2: Första stegen Exercise 3: Utforskning av särdrag Exercise 4: Första utvärdering av data Exercise 5: Översikt över maskininlärningsmodeller Exercise 6: Logistisk regression för bröstcancer Exercise 7: Logistisk regression för bilder Exercise 8: En andra leksaksmodell Exercise 9: CTR-prediktion med beslutsträd Exercise 10: Implementering av modell Exercise 11: En första CTR-modell Exercise 12: Bortom enbart noggrannhet

Det här kapitlet ger en grund för explorativ dataanalys (EDA). Med hjälp av exempeldata använder du pandas-biblioteket för att granska kolumner och datatyper, utforska saknade värden och använda hashning för särdragskonstruktion av kategoriska särdrag. Allt detta är viktigt när du utforskar särdrag för en mer träffsäker CTR-förutsägelse.

Exercise 1: Exploratory dataanalys Exercise 2: En första titt Exercise 3: Kontrollera saknade värden Exercise 4: Fördelningar efter CTR Exercise 5: Feature engineering Exercise 6: Analysera datetime-kolumner Exercise 7: Konvertera kategoriska variabler Exercise 8: Skapa nya särdrag Exercise 9: Standardisering av särdrag Exercise 10: Lognormalisering Exercise 11: Förstå standardisering Exercise 12: Standardskalning

Nu är det dags att gå djupare. Lär dig hur du kan använda modellprestandamått som precision och recall för att besvara verkliga frågor, till exempel för att utvärdera avkastning på annonsutgifter. Du lär dig också hur du kan förbättra dessa utvärderingsmått med hjälp av ensemblemetoder och hyperparameterjustering.

Exercise 1: Tillämpningar av måttutvärdering Exercise 2: Fyra kategorier av utfall Exercise 3: Utvärdera fyra kategorier Exercise 4: ROI på annonskostnader Exercise 5: Modellutvärdering Exercise 6: Precision och recall Exercise 7: Baslinje Exercise 8: Jämförelse av klassificerare Exercise 9: Finjustering av modeller Exercise 10: Regularisering Exercise 11: Korsvalidering Exercise 12: Modellval Exercise 13: Ensembler och hyperparameterjustering Exercise 14: Förstå hyperparameterjustering Exercise 15: Slumpskogar Exercise 16: Grid search

Din kampanjs CTR kan ha stor påverkan på vinsten. I det här kapitlet lär du dig hur djupinlärning kan användas för att minska den risken. Du fokuserar på flerlagers perceptron (MLP) och neurala nätverksmodeller, och lär dig hur dessa kan fånga komplexa samband mellan variabler för att förutsäga CTR mer träffsäkert. Avslutningsvis utforskar du hur du tillämpar grunderna i hyperparameterjustering och regularisering på klassificeringsmodeller.

Exercise 1: Introduktion till djupinlärning Exercise 2: Förstå MLP:er Exercise 3: Första modellen Exercise 4: MLP för CTR Exercise 5: Hyperparameterjustering inom djupinlärning Exercise 6: Hyperparameterjustering i MLP:er Exercise 7: Variera hyperparametrar Exercise 8: Grid Search för MLP Exercise 9: Modellutvärdering Exercise 10: F-beta-poäng Exercise 11: Låg precision och hög AUC

Aktuell övning

Exercise 12: Precision, ROI och AUC Exercise 13: Modellgranskning och jämförelse Exercise 14: Modelljämförelse – uppvärmning Exercise 15: Utvärdera precision och ROI Exercise 16: Samlad utvärdering Exercise 17: Avslutningsvideo