CTR-Vorhersage mit Machine Learning in Python

Dieses Kapitel legt die Grundlagen für die explorative Datenanalyse (EDA). Mit Beispieldaten nutzt du die pandas-Bibliothek, um Spalten und Datentypen zu betrachten, fehlende Werte zu untersuchen und mithilfe von Hashing Feature Engineering für kategoriale Features durchzuführen. All das ist wichtig, um Features zu erkunden, die zu einer genaueren CTR-Vorhersage führen.

Jetzt geht es in die Tiefe. Finde heraus, wie du mit Metriken zur Modellleistung wie Precision und Recall reale Fragen beantwortest, zum Beispiel die Bewertung des ROI von Werbeausgaben. Außerdem lernst du Methoden kennen, um diese Kennzahlen zu verbessern, etwa Ensemble-Verfahren und Hyperparameter-Tuning.

Dein Gewinn kann stark von der CTR deiner Kampagne abhängen. In diesem Kapitel lernst du, wie Deep Learning dieses Risiko reduzieren kann. Du konzentrierst dich auf Multi-Layer Perceptron (MLP) und neuronale Netze und erfährst, wie diese die komplexen Beziehungen zwischen Variablen erfassen, um die CTR genauer vorherzusagen. Zum Schluss lernst du, wie du grundlegendes Hyperparameter-Tuning und Regularisierung auf Klassifikationsmodelle anwendest.