神经网络与机器学习
上一次修改时间：2018-07-27 03:34:47

CTR预估与模型融合

  1. CTR大纲

    image.png

  2. CTR

    image.png

    image.png

    image.png

    image.png

    注：点击率预估的数据通常是正样本远少于负样本，因此性能评估一般使用准确率/召回率或AUC；点击率的场景每天都在变化，因此要求模型更新快，所以模型不能太复杂，实际应用中，logistic回归通常就能满足工业需求；因为模型简单，要想达到较好的效果，需要很强的特征，方案之一就是人工特征，即在该领域有较强专业背景的人来手动做特征，然后将特征给模型训练；

    image.png

    QQ图片20180727012750.png

    https://blog.csdn.net/a819825294/article/details/51227265

    image.png

    image.png

    image.png

    image.png

    image.png


    QQ图片20180727013120.png

    image.png

    image.png

    https://blog.csdn.net/mmc2015/article/details/51760681

    QQ图片20180727013328.png

    image.png

    image.png

    image.png

    image.png

    注：此处的GBDT是用来生成特征的，用GBDT做特征时，不是用训练好的模型来做预测，而是来GBDT产生的中间结果来生成新的特征；

    image.png

    https://cloud.tencent.com/developer/article/1005052

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    image.png

    https://zhuanlan.zhihu.com/p/28202287

    image.png

    https://cloud.tencent.com/developer/article/1005051

    https://cloud.tencent.com/developer/article/1005052

  3. 模型融合

    image.png

    image.png

    QQ图片20180727014652.png

    image.png

    image.png

    image.png

    image.png

    image.png

    https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python