文件名称：Click-through-rate-prediction
文件大小：3.75MB
文件格式：ZIP
更新时间：2024-04-24 05:45:21
JupyterNotebook
点击率预测 这是在哥伦比亚大学的面向Financail工程与运筹学的机器学习过程中举行的小型Kaggle竞赛。 我们的解决方案在47个团队中赢得了第四名。 该数据集经过的点击率预测竞赛的轻微修改。 我们在这个项目中采取的过程： EDA并在前20,000行上运行简单模型 特征工程和数据预处理 使用CatBoost，XGBoost和LightGBM在12个模型中使用自举样本对贝叶斯优化进行超参数调整。 使用加权平均的套袋合奏 *注意：我们还尝试了以下一些方法，但是效果并不理想： 尝试对分类预测变量进行其他形式的编码，例如K折目标编码和sklearn的FeatureHasher。 深度学习模型：MLP，现有的神经网络库（deepctr和Deeptables） 有关更多信息，请检查我们的。 如有任何疑问，请随时与我联系。 谢谢！
【文件预览】：
Click-through-rate-prediction-master
----.gitignore(75B)
----.ipynb_checkpoints()
--------Modeling_with_3_models-checkpoint.ipynb(9.87MB)
--------EDA-checkpoint.ipynb(1.42MB)
--------Feature_engineering_first_exploration-checkpoint.ipynb(5.48MB)
----Feature_engineering_and_EDA.ipynb(1.43MB)
----Report_and_approach.pdf(42KB)
----Bayesian_CatBoost_Tuning.ipynb(116KB)
----.DS_Store(6KB)
----catboost_info()
--------learn()
--------learn_error.tsv(12KB)
--------time_left.tsv(14KB)
--------test_error.tsv(7KB)
--------catboost_training.json(72KB)
--------test()
----Bayesian_XGboost_tuning.ipynb(4KB)
----README.md(1KB)
----Feature_engineering_first_exploration.ipynb(5.48MB)
----Modeling_bagging_ensemble.ipynb(42KB)
----Bayesian_Lightgbm_tuning.ipynb(4KB)
----Modeling_iter_weight.ipynb(57KB)
----Modeling_with_3_models.ipynb(9.87MB)