11、基于树算法的点击率预测

最新推荐文章于 2025-11-25 02:03:28 发布

cicd6pipeline

最新推荐文章于 2025-11-25 02:03:28 发布

阅读量8

点赞数

CC 4.0 BY-SA版权

分类专栏： Python机器学习实战精讲文章标签：决策树随机森林点击率预测

本文链接：https://blog.youkuaiyun.com/cicd6pipeline/article/details/154217220

Python机器学习实战精讲专栏收录该内容

17 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

基于树算法的点击率预测

1. 决策树的实现

在深入理解分区评估指标后，我们可以在模拟数据集上手动实践CART树算法。

1.1 手动构建决策树

首先，我们通过尝试两个特征的所有可能值来确定第一个分割点（即根节点）。使用 weighted_impurity 函数计算每个可能组合的加权基尼杂质：

Gini(interest, Tech) = weighted_impurity([[1, 1, 0], [0, 0, 0, 1]]) = 0.405
Gini(interest, Fashion) = weighted_impurity([[0, 0], [1, 0, 1, 0, 1]]) = 0.343
Gini(interest, Sports) = weighted_impurity([[0, 1], [1, 0, 0, 1, 0]]) = 0.486
Gini(occupation, Professional) = weighted_impurity([[0, 0, 1, 0], [1, 0, 1]]) = 0.405
Gini(occupation, Student) = weighted_impurity([[0, 0, 1, 0], [1, 0, 1]]) = 0.405
Gini(occupation, Retired) = weighted_impurity([[1, 0, 0, 0, 1, 1], [1]]) = 0.429

根节点选择用户兴趣特征中的时尚值。我们可以构建树的第一层：
- 如果满足于一层深