# ctr_group

**Repository Path**: coolhenry/ctr_group

## Basic Information

- **Project Name**: ctr_group
- **Description**: CTR预估 小组公用
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2019-12-02
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ctr_group

#### 介绍
CTR预估 小组公用

#### 进度

1. 数据分析已经完成，分析结果和老师点评在/ctr_group/ week1_EDA/ README.md。第一次汇报人：梁振堂



# 人工智能工程师实战项目 CTR 预估

# 推荐系统方向

# 指导讲师 卿老师



## 任务简介：

 广告点击率（Click-Through Rate Prediction, CTR）是互联网计算广告中的关键环节， 预估准确性直接影响公司广告收入。机器学习技术可在计算广告中大展身手，Avazu 通过 程序化广告技术进行效果营销。本项目我们对 Avazu 提供的 Kaggle 竞赛数据进行移动 CTR 预估，其 Kaggle 竞赛网页为：https://www.kaggle.com/c/avazu-ctr-prediction。

## 2、数据描述：

 数据共包含 11 天的数据，其中 10 天为训练数据 train，1 天为测试数据 test。

（1） 文件说明

- train: 训练数据，包括 10 天的 CTR 数据，数据按时间顺序排列。被点击的样本和没被点 击的样本根据不同的策略已经进行了下采样。
- test ：测试数据，1 天的广告数据，用于测试模型的预测。
- sampleSubmission.csv：提交结果文件样例。 corresponds to the All-0.5 Benchmark.

提交测试结果包含两个字段，分别为测试样本索引及其被点击的概率，格式如下：

```
id,click
60000000,0.384
63895816,0.5919
759281658,0.1934
895936184,0.9572
```

（2） 字段说明

- id: ad identifier （广告 ID）
- click: 0/1 for non-click/click （是否被点击，其中 0 为不被点击，1 为不被点击，此列为目 标变量）
- hour: format is YYMMDDHH, so 14091123 means 23:00 on Sept. 11, 2014 UTC. （时间）
- C1 -- anonymized categorical variable （类别型变量）
- banner_pos （广告位置）
- site_id （站点 ID） 人工智能工程师
- site_domain （站点领域）
- site_category （站点类别）
- app_id （APP ID）
- app_domai
- C14-C21 -- anonymized categorical variables （类别型变量）

## 评价标准：

项目采用 logloss 评价模型性能。令$y_i$为第 i 个样本真正的标签，$\hat y_i$为模型对第 i 个的
预测值，N 为样本数据，则 logloss 为
$$
logloss=-\frac{1}{N}\sum ^N_{i=1}y_i logs(\hat y_i)+(1-y_i)log(1-\hat y_i)
$$

### 成果1，项目过程中的所有代码

   包含源代码、相关项目文件及使用说明(技术文档在成果2中详细说明)。按照使用说明可重现系统并运行。

   代码要求：

- 含有完整的源代码及项目文件，按说明配置可运行并得到正确结果
- 注释完整
- 编码具备一致性（符合一定的编码规范）

使用说明要求：

- 简洁，准确，按说明可成功安装并配置好系统，可成功运行

    

### 成果2,系统技术总结报告文档

   撰写技术总结报告文档。

   文档要求：

- 技术总结报告应包含如下结构（内容）：系统需求；系统配置；系统设计（包含技术原理）；实验结果；结果分析（包括结果及指标分析、不同参数结果对比，如能与其他方法对比效果更好）；总结与心得
- 技术报告应简洁清晰，具备较强的可读性
- 对系统的输出结果及指标的简单分析。

### 成果3，演示Kaggle竞赛排名

直播时登录kaggle竞赛并展示自己队伍在网站上的排名。



## 提示：

(1) train 解压后文件有 5.6G，样本数目非常大（40M），项目参数调优时可考虑进行下采 样。

可用 pandas：（选择 10M 样本）

```python
train_df=pd.read_csv('train.csv',nrows=10000000) 
```

或者用命令行：

```sh
Windows: get-content file | select-object -first 2000000
Unix (Mac/Linux): Type the following head command to display first 10 lines of the file :
head -10 train.csv
Use the pipe (">") command to save it to another file head -2000000 train.csv >
subsetTrain.csv
gshuf -2000000 train.csv > new file.csv to extract random rows from the data and can
download gshuf from home-brew
```

(2) 特征均为类别型特征，建议根据特征特点进行合适的特征工程。

 (3) 模型建议考虑：FTRL、GBDT+FTRL、FFM