Kaggle滑水 - CTR预估(GBDT-LR)

本文介绍了在Kaggle Avazu CTR预估任务中,如何利用GBDT-LR方案进行特征工程和模型训练。首先,GBDT用于生成新特征,然后用LR进行CTR预测。特征工程包括标签编码和独热编码。实验部分详细展示了数据处理流程、模型训练调优,并给出了预测结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文继续以Avazu-CTR赛题为场景,采用GBDT(梯度提升树)与LR(逻辑回归)相结合的方法来完成CTR预估任务;

本文的源码托管于我的Github:PnYuan - Kaggle_CTR,欢迎查看交流。

1.GBDT-LR方案

集成模型如GBDT、XGBoost等,可被用于原始特征的转换与组合,从而自动构建出新的特征用于改进数据挖掘任务。这里,我们采用业界常用的GBDT-LR方案来完成CTR预估任务,其中GBDT的作用正如上所述。整个方案的模型示意图如下:

这里,GBDT的所有输出叶子节点构成新特征向量(上图中Transform new Features),每条原始数据样本可由GBDT转化为新的数据条目(上图中new Feature Vector)。经过良好训练后的GBDT,可视为一系列优质特征处理规则(转换、组合、过滤…)的复合,最终实现的是新旧特征的映射,进而使得原始数据经其处理后,更加有利于LR等模型的学习训练。

进一步解析GBDT-LR方案的好处如下:

  • GBDT作为一种Boosting集成模型,其建模过程以残差拟合为目的,相应的数据信息学习也是从主体到细节(到噪声)。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值