Düşük precision ve yüksek AUC

Precision ile AUC arasındaki ilişki hakkında aşağıdakilerden hangisi doğru değildir?

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

IntermediárioNível de habilidade

4.9+

Kursa Ücretsiz Başla

Muhtemelen bu sayfadasın çünkü bir bağlantıya tıkladın. Bu bölümde, tıklanma oranlarının (CTR) hedefli reklamcılık için neden vazgeçilmez olduğunu, temel DataFrame işlemlerini nasıl yapacağını ve CTR’yi tahmin etmek için Machine Learning modellerini nasıl kullanabileceğini öğreneceksin.

Exercise 1: Tıklanma oranlarına giriş Exercise 2: İlk adımlar Exercise 3: Özellik keşfi Exercise 4: Verinin ilk değerlendirmesi Exercise 5: Machine Learning modellerine genel bakış Exercise 6: Meme kanseri için lojistik regresyon Exercise 7: Görseller için lojistik regresyon Exercise 8: İkinci bir oyuncak model Exercise 9: Karar ağaçlarıyla CTR tahmini Exercise 10: Model uygulaması Exercise 11: İlk CTR modeli Exercise 12: Sadece doğruluğun ötesinde

Bu bölüm, keşifsel veri analizi (EDA) için temelleri sunar. Örnek verilerle, pandas kütüphanesini kullanarak sütunlara ve veri türlerine bakacak, eksik verileri inceleyecek ve kategorik özelliklerde özellik mühendisliği yapmak için hashing kullanacaksın. Tüm bunlar, daha doğru CTR tahmini için özellikleri keşfederken önemlidir.

Exercise 1: Keşif amaçlı veri analizi Exercise 2: İlk bakış Exercise 3: Eksik değerleri kontrol etme Exercise 4: CTR'a göre dağılımlar Exercise 5: Özellik mühendisliği Exercise 6: Tarih-saat sütunlarını analiz etme Exercise 7: Kategorik değişkenleri dönüştürme Exercise 8: Yeni özellikler oluşturma Exercise 9: Özellikleri standartlaştırma Exercise 10: Log normalizasyonu Exercise 11: Standardizasyonu anlamak Exercise 12: Standart ölçekleme

Artık daha derine dalma zamanı. Kesinlik (precision) ve duyarlılık (recall) gibi model performans ölçülerini kullanarak, reklam harcamasının yatırım getirisini (ROI) değerlendirmek gibi gerçek dünya sorularını nasıl yanıtlayabileceğini keşfet. Ayrıca, bu değerlendirme metriklerini geliştirme yollarını, örneğin ensemble yöntemleri ve hiperparametre ayarlamasını da öğreneceksin.

Exercise 1: Metrik değerlendirmesinin uygulamaları Exercise 2: Dört sonuç kategorisi Exercise 3: Dört kategoriyi değerlendirme Exercise 4: Reklam harcamasında ROI Exercise 5: Model değerlendirmesi Exercise 6: Precision ve recall Exercise 7: Temel Çizgi (Baseline)Exercise 8: Sınıflandırıcı karşılaştırması Exercise 9: Modelleri ayarlama Exercise 10: Düzenlileştirme Exercise 11: Çapraz doğrulama Exercise 12: Model seçimi Exercise 13: Topluluk yöntemleri ve hiperparametre ayarı Exercise 14: Hiperparametre ayarlamayı anlama Exercise 15: Rastgele ormanlar Exercise 16: Izgara araması

Kârlar, kampanyanın CTR’sinden ciddi şekilde etkilenebilir. Bu bölümde, bu riski azaltmak için Deep Learning’in nasıl kullanılabileceğini öğreneceksin. Çok katmanlı algılayıcı (MLP) ve sinir ağı modellerine odaklanacak ve bunların değişkenler arasındaki karmaşık ilişkiyi yakalayarak CTR’yi daha doğru tahmin etmek için nasıl kullanılabileceğini göreceksin. Son olarak, sınıflandırma modellerine temel hiperparametre ayarlaması ve düzenlileştirme (regularization) uygulamanın temellerini keşfedeceksin.

Exercise 1: Derin öğrenmeye giriş Exercise 2: MLP'leri Anlamak Exercise 3: Başlangıç modeli Exercise 4: CTR için MLP'ler Exercise 5: Derin öğrenmede hiperparametre ayarlama Exercise 6: MLP'lerde hiperparametre ayarlama Exercise 7: Hiperparametreleri değiştirme Exercise 8: MLP Grid Search Exercise 9: Model değerlendirmesi Exercise 10: F-beta skoru Exercise 11: Düşük precision ve yüksek AUC

Geçerli egzersiz

Exercise 12: Precision, ROI ve AUC Exercise 13: Model incelemesi ve karşılaştırması Exercise 14: Model karşılaştırmasına ısınma Exercise 15: Kesinlik (precision) ve ROI'yi değerlendirme Exercise 16: Toplam puanlama Exercise 17: Kapanış videosu