文件名称:click-through-rate-prediction:using使用Logistic回归和树算法的点击率预测
文件大小:1.29MB
文件格式:ZIP
更新时间:2024-05-19 03:42:50
machine-learning random-forest adwords logistic-regression advertising
:chart_increasing: 点击率预测 在在线广告中,点击率是衡量广告效果的重要指标。 在本项目中,我们使用Kaggle上竞争的数据集,并评估CTR预测的方法。 在下面的演示中,我已经对模型进行了训练,并将其存储在仓库中的“ models”目录中。 为了重新训练模型,请进入ctr_prediction.py并将load_model参数设置为False以便在您的机器上重新训练。 内容 执照 概述 数字营销人员使用在线广告(例如Adwords,Facebook广告等)在用户在线浏览时向他们展示广告。 为了投放并查看其广告效果,广告客户使用点击率(CTR)来衡量其广告效果。 点击率是特定广告的点击次数与总观看次数之比。 点击率越高越好。 问题:给定用户U和用户正在访问的页面P,用户U单击显示的广告的概率是多少。 对于上述问题,机器学习已被广泛使用,以提高投放给用户的广告的质量。 在尝试预测用户点击广告的可
【文件预览】:
click-through-rate-prediction-master
----.gitignore(291B)
----media()
--------ctr-icon.png(8KB)
--------output.gif(1.59MB)
--------results.png(54KB)
----requirements.txt(53B)
----src()
--------output.py(383B)
--------ctr_prediction.py(11KB)
----CODE_OF_CONDUCT.md(3KB)
----models()
--------decision_tree_model.sav(25KB)
--------logistic_regression_model.sav(46KB)
--------logistic_regression_model_ol.sav(46KB)
----LICENSE(1KB)
----README.md(5KB)