廣告點(diǎn)擊率是指有多少用戶點(diǎn)擊了您的廣告與有多少用戶查看了您的廣告的比率。例如，100個(gè)用戶中有5個(gè)在觀看XX視頻時(shí)點(diǎn)擊了廣告。因此，在這種情況下，XX廣告的CTR將是5%。分析點(diǎn)擊率有助于公司為目標(biāo)受眾找到最佳廣告。所以，如果你想學(xué)習(xí)如何用機(jī)器學(xué)習(xí)分析和預(yù)測(cè)廣告點(diǎn)擊率，這篇文章是為你準(zhǔn)備的。本文將帶您了解使用Python進(jìn)行機(jī)器學(xué)習(xí)的廣告點(diǎn)擊率預(yù)測(cè)。

廣告點(diǎn)擊率預(yù)測(cè)

廣告點(diǎn)擊率預(yù)測(cè)是指預(yù)測(cè)用戶是否會(huì)點(diǎn)擊廣告。在廣告點(diǎn)擊率預(yù)測(cè)的任務(wù)中，我們需要訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)模型來找到所有點(diǎn)擊廣告的用戶特征之間的關(guān)系。

導(dǎo)入必要的Python庫和數(shù)據(jù)集來開始任務(wù)：

import pandas as pd
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio
import numpy as np
pio.templates.default = "plotly_white"
data = pd.read_csv("ad_10000records.csv")
print(data.head())

輸出

   Daily Time Spent on Site   Age  Area Income  Daily Internet Usage  \
0                     62.26  32.0     69481.85                172.83   
1                     41.73  31.0     61840.26                207.17   
2                     44.40  30.0     57877.15                172.83   
3                     59.88  28.0     56180.93                207.17   
4                     49.21  30.0     54324.73                201.58   
                         Ad Topic Line             City  Gender  \
0      Decentralized real-time circuit         Lisafort    Male   
1       Optional full-range projection  West Angelabury    Male   
2  Total 5thgeneration standardization        Reyesfurt  Female   
3          Balanced empowering success      New Michael  Female   
4  Total 5thgeneration standardization     West Richard  Female   
                        Country            Timestamp  Clicked on Ad  
0  Svalbard & Jan Mayen Islands  2016-06-09 21:43:05              0  
1                     Singapore  2016-01-16 17:56:05              0  
2                    Guadeloupe  2016-06-29 10:50:45              0  
3                        Zambia  2016-06-21 14:32:32              0  
4                         Qatar  2016-07-21 10:54:35              1  

“廣告點(diǎn)擊”列包含0和1值，其中0表示未點(diǎn)擊，1表示點(diǎn)擊。將這些值轉(zhuǎn)換為“yes”和“no”：

data["Clicked on Ad"] = data["Clicked on Ad"].map({0: "No", 
                               1: "Yes"})

點(diǎn)擊率分析

現(xiàn)在讓我們根據(jù)用戶在網(wǎng)站上花費(fèi)的時(shí)間來分析點(diǎn)擊率：

fig = px.box(data, 
             x="Daily Time Spent on Site",  
             color="Clicked on Ad", 
             title="Click Through Rate based Time Spent on Site", 
             color_discrete_map={'Yes':'blue',
                                 'No':'red'})
fig.update_traces(quartilemethod="exclusive")
fig.show()

從上面的圖表中，我們可以看到，在網(wǎng)站上花費(fèi)更多時(shí)間的用戶點(diǎn)擊更多的廣告?，F(xiàn)在我們根據(jù)用戶的日常互聯(lián)網(wǎng)使用情況來分析一下點(diǎn)擊率：

fig = px.box(data, 
             x="Daily Internet Usage",  
             color="Clicked on Ad", 
             title="Click Through Rate based on Daily Internet Usage", 
             color_discrete_map={'Yes':'blue',
                                 'No':'red'})
fig.update_traces(quartilemethod="exclusive")
fig.show()

從上圖中，我們可以看到，與互聯(lián)網(wǎng)使用率較低的用戶相比，互聯(lián)網(wǎng)使用率較高的用戶點(diǎn)擊廣告較少。現(xiàn)在我們根據(jù)用戶的年齡來分析一下點(diǎn)擊率：

fig = px.box(data, 
             x="Age",  
             color="Clicked on Ad", 
             title="Click Through Rate based on Age", 
             color_discrete_map={'Yes':'blue',
                                 'No':'red'})
fig.update_traces(quartilemethod="exclusive")
fig.show()

從上圖中我們可以看到，40歲左右的用戶比27-36歲左右的用戶點(diǎn)擊廣告更多。現(xiàn)在我們根據(jù)用戶的收入來分析一下點(diǎn)擊率：

fig = px.box(data, 
             x="Area Income",  
             color="Clicked on Ad", 
             title="Click Through Rate based on Income", 
             color_discrete_map={'Yes':'blue',
                                 'No':'red'})
fig.update_traces(quartilemethod="exclusive")
fig.show()

沒有太大的差別，但來自高收入地區(qū)的人點(diǎn)擊廣告的次數(shù)更少。

計(jì)算廣告的點(diǎn)擊率

現(xiàn)在讓我們來計(jì)算整體廣告點(diǎn)擊率。在這里，我們需要計(jì)算點(diǎn)擊廣告的用戶與對(duì)廣告留下印象的用戶的比例。讓我們來看看用戶的分布：

data["Clicked on Ad"].value_counts()

輸出

No     5083
Yes    4917
Name: Clicked on Ad, dtype: int64

因此，10000名用戶中有4917人點(diǎn)擊了廣告。讓我們計(jì)算CTR：

click_through_rate = 4917 / 10000 * 100
print(click_through_rate)

輸出

49.17

所以CTR是49.17。

點(diǎn)擊率預(yù)測(cè)模型

現(xiàn)在讓我們繼續(xù)訓(xùn)練機(jī)器學(xué)習(xí)模型來預(yù)測(cè)點(diǎn)擊率。首先，將把數(shù)據(jù)分成訓(xùn)練集和測(cè)試集：

data["Gender"] = data["Gender"].map({"Male": 1, 
                               "Female": 0})
x=data.iloc[:,0:7]
x=x.drop(['Ad Topic Line','City'],axis=1)
y=data.iloc[:,9]
from sklearn.model_selection import train_test_split
xtrain,xtest,ytrain,ytest=train_test_split(x,y,
                                           test_size=0.2,
                                           random_state=4)

現(xiàn)在讓我們使用隨機(jī)森林分類算法來訓(xùn)練模型：

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(x, y)

現(xiàn)在讓我們來看看模型的準(zhǔn)確性：

from sklearn.metrics import accuracy_score
print(accuracy_score(ytest,y_pred))

輸出

0.9615

現(xiàn)在讓我們通過預(yù)測(cè)來測(cè)試模型：

print("Ads Click Through Rate Prediction : ")
a = float(input("Daily Time Spent on Site: "))
b = float(input("Age: "))
c = float(input("Area Income: "))
d = float(input("Daily Internet Usage: "))
e = input("Gender (Male = 1, Female = 0) : ")
features = np.array([[a, b, c, d, e]])
print("Will the user click on ad = ", model.predict(features))

輸出

Ads Click Through Rate Prediction : 
Daily Time Spent on Site: 62.26
Age: 28
Area Income: 61840.26
Daily Internet Usage: 207.17
Gender (Male = 1, Female = 0) : 0
Will the user click on ad =  ['No']

總結(jié)

這就是如何使用機(jī)器學(xué)習(xí)來完成使用Python進(jìn)行廣告點(diǎn)擊率預(yù)測(cè)的任務(wù)。廣告點(diǎn)擊率意味著預(yù)測(cè)用戶是否會(huì)點(diǎn)擊廣告。在這個(gè)任務(wù)中，我們需要訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)模型，以找到所有點(diǎn)擊廣告的用戶特征之間的關(guān)系。

到此這篇關(guān)于使用Python實(shí)現(xiàn)廣告點(diǎn)擊率預(yù)測(cè)的文章就介紹到這了,更多相關(guān)Python廣告點(diǎn)擊率預(yù)測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論