文件名称：Kaggle-Avito-Context-Ad:Yu与FTRL进行avito上下文广告竞争的解决方案
文件大小：2.77MB
文件格式：ZIP
更新时间：2024-06-07 10:10:19
Python
#Yu Avito上下文广告点击解决方案 此重新定位是我针对Kaggle竞争解决方案的档案库。 在此之前，关于点击率（CTR）已有许多竞争。 事实证明，有几种方法可以有效解决此类问题。 （装订机）FM，vowpal wabbit和FTRL（常规logistic回归）。 在这里，我尝试了具有一键编码功能的FTRL。 最终得分是414分中的56分，对数损失是0.045。 最高分接近0.040。 总之，从这次比赛中学到了很多东西， 使用流数据进行在线学习或模型更新。 由于训练数据总计超过3.9亿行和1.9亿个上下文广告，因此无法将整个数据加载到RAM中进行训练。 逻辑回归易于训练且快速，正则化会产生稀疏性。 有关该模型的更多详细信息，请查阅Google的论文以供参考。 如何选择功能/相关信息是什么。 在上分享了很多见解。 包括如何合并来自同一搜索的信息（搜索中所有显示的广告），如何按日期排序
【文件预览】：
Kaggle-Avito-Context-Ad-master
----literature()
--------follow_the_regularized_leader.pdf(1.6MB)
--------google_CTR.pdf(1.18MB)
----scripts()
--------ftrl.py(6KB)
--------explorations.ipynb(183KB)
--------fast_solution_v3.py(9KB)
--------model.py(6KB)
--------train_ftrl.py(4KB)
--------train_ftrl2.py(2KB)
----README.md(2KB)
----.gitignore(49B)