感知机是所有复杂神经网络的基础。在处理多个隐藏层并微调其他超参数之前，先理解单个感知机层面的工作流程至关重要。在本练习中，您将从输入到输出层，识别感知机层面各步骤的先后顺序。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
您之所以来到这一页，很可能是因为点击了一个链接。本章将介绍为什么点击率（CTR）是定向广告的核心指标，如何进行基础的 DataFrame 操作，以及如何使用机器学习模型来预测 CTR。
本章将奠定探索性数据分析（EDA）的基础。基于示例数据，您将使用 pandas 库查看列与数据类型、探索缺失数据，并通过哈希对分类特征进行特征工程。这些步骤在为更准确的 CTR 预测探索特征时都至关重要。
现在是更进一步的时候了。您将学习如何使用包括精确率和召回率在内的模型性能度量来回答现实问题，例如评估广告投放的 ROI。您还将了解改进这些评估指标的方法，如集成学习与超参数调优。
广告活动的 CTR 会显著影响利润。本章将讲解如何利用深度学习来降低风险。您将重点学习多层感知机（MLP）和神经网络模型，并了解它们如何捕捉变量之间的复杂关系，从而更准确地预测 CTR。最后，您将探索如何将超参数调优与正则化的基础方法应用于分类模型。
当前练习
