ทำนายอัตราการคลิกผ่านโฆษณาด้วยฟอเรสต์แบบสุ่ม

บทนำ

อัตราการคลิกผ่าน (CTR) เป็นตัวชี้วัดสำคัญที่แสดงเปอร์เซ็นต์ของผู้เข้าชมที่คลิกโฆษณา โดยให้ข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพของโฆษณา ธุรกิจอาจได้รับประโยชน์อย่างมากจากการศึกษาอัตราการคลิกผ่านเมื่อพัฒนากลยุทธ์การโฆษณา ด้วยการวิเคราะห์สถิติ CTR บริษัทต่างๆ อาจพิจารณาว่าโฆษณาโดนใจกลุ่มประชากรเป้าหมายและสร้างการมีส่วนร่วมมากขึ้นหรือไม่ ด้วยการจัดสรรเงินให้กับการโฆษณาที่มีประสิทธิภาพสูงสุดและปรับเปลี่ยนกลยุทธ์การตลาดเพื่อเพิ่ม CTR พวกเขาจึงสามารถเพิ่มประสิทธิภาพแคมเปญโฆษณาของตนผ่านตัวแยกประเภทฟอเรสต์แบบสุ่ม วัตถุประสงค์หลักของการคาดการณ์ CTR โฆษณาคือ:

• เพิ่มประสิทธิภาพแคมเปญโฆษณาโดยระบุว่าโฆษณาใดน่าจะส่งผลให้อัตราการคลิกผ่านสูงขึ้น
• เพิ่มรายได้จากโฆษณาให้สูงสุดโดยการวางโฆษณาที่มีประสิทธิภาพสูงในตำแหน่งสำคัญอย่างมีกลยุทธ์
• ประสิทธิภาพโฆษณาอาจได้รับการปรับปรุงโดยการระบุโฆษณาที่มีประสิทธิภาพต่ำและดำเนินการตามขั้นตอนที่เหมาะสมเพื่อปรับปรุงโฆษณา

ตามเป้าหมายเหล่านี้ เราจะใช้ Random Forest เพื่อพัฒนาแบบจำลองที่สามารถประมาณได้อย่างแม่นยำว่าผู้ใช้จะคลิกโฆษณาโดยพิจารณาจากอายุของผู้ใช้ เวลาในแต่ละวันที่ใช้บนไซต์ การใช้อินเทอร์เน็ตรายวัน และเพศ บทความนี้จะแนะนำคุณในการคาดเดาว่าผู้ใช้จะคลิกโฆษณาโดยใช้ Random Forest Classifier หรือไม่ ตอนนี้เรามาทำนายตามขั้นตอนในบทความกันดีกว่า

บทความนี้เผยแพร่โดยเป็นส่วนหนึ่งของไฟล์ Blogathon วิทยาศาสตร์ข้อมูล.

สารบัญ

1. ขั้นตอนที่ 1: นำเข้าไลบรารี
2. ขั้นตอนที่ 2: อ่านข้อมูล
3. ขั้นตอนที่ 3: การวิเคราะห์อัตราการคลิกผ่าน
4. ขั้นตอนที่ 4: สร้างแบบจำลองป่าสุ่มและทำการคาดการณ์
5. สรุป

ขั้นตอนที่ 1: นำเข้าไลบรารี

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio
pio.templates.default = "plotly_white"

เรานำเข้าไลบรารี 'plotly' เพื่อความสะดวก การสร้างภาพข้อมูล. โมดูล 'graph_objects' ใช้เพื่อสร้างการแสดงภาพเชิงโต้ตอบและปรับแต่งได้ รวมถึงแปลง แผนภูมิ และกราฟ โมดูล 'ด่วน' มอบอินเทอร์เฟซระดับสูงเพื่อสร้างการแสดงภาพข้อมูลโดยใช้โค้ดน้อยลงและอินเทอร์เฟซที่เรียบง่ายยิ่งขึ้น โมดูล 'io' ใช้เพื่อกำหนดการตั้งค่าต่างๆ ที่เกี่ยวข้องกับการแสดงภาพ เช่น เทมเพลต ธีม และตัวเลือกการเรนเดอร์ เราเรียก 'RandomForestClassifier' เพื่อสร้างแบบจำลองและคาดการณ์ CTR โฆษณา และบรรทัดสุดท้ายของโค้ดจะตั้งค่าเทมเพลตเริ่มต้นสำหรับการแสดงภาพ Plotly ให้เป็น "plotly_white" ซึ่งเป็นโทนสีอ่อนหรือพื้นหลังสีขาวที่กำหนดไว้ล่วงหน้า

ขั้นตอนที่ 2: อ่านข้อมูล

ความพร้อมใช้งานของข้อมูลเป็นสิ่งสำคัญสำหรับงานวิเคราะห์ข้อมูล ชุดข้อมูลที่มีลักษณะและตัวแปรทั้งหมดที่จำเป็นสำหรับงานนั้นเป็นสิ่งสำคัญ ชุดข้อมูลที่ Gaurav Dutta อัปโหลด Kaggle เหมาะสมในกรณีนี้โดยเฉพาะ อย่างไรก็ตาม ฉันใส่มันลงใน GitHub ของฉันเพื่อทำให้กระบวนการวิเคราะห์ง่ายขึ้น

url = "https://raw.githubusercontent.com/ataislucky/Data-Science/main/dataset/ad_ctr.csv"
data = pd.read_csv(url)
print(data.head())

ชุดข้อมูล ov

ด้านล่างนี้คือคุณสมบัติทั้งหมดในชุดข้อมูล:

1. เวลารายวันที่ใช้บนเว็บไซต์ หมายถึงช่วงเวลารายวันของผู้ใช้บนเว็บไซต์
2. อายุ หมายถึงอายุของผู้ใช้
3. รายได้พื้นที่ หมายถึงรายได้เฉลี่ยในพื้นที่ของผู้ใช้
4. การใช้อินเทอร์เน็ตรายวัน หมายถึงการใช้งานอินเทอร์เน็ตในแต่ละวันของผู้ใช้
5. บรรทัดหัวข้อโฆษณา หมายถึงชื่อโฆษณา
6. เมือง หมายถึงเมืองของผู้ใช้บริการ
7. เพศ หมายถึง เพศของผู้ใช้
8. ประเทศ หมายถึงประเทศของผู้ใช้
9. timestamp หมายถึงเวลาที่ผู้ใช้เยี่ยมชมเว็บไซต์
10. คลิกที่โฆษณา หมายถึง 1 หากผู้ใช้คลิกโฆษณา ไม่เช่นนั้น 0

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

โค้ดด้านบนใช้สำหรับแปลงเนื้อหาของคอลัมน์ "คลิกบนโฆษณา" โดยที่ 0=ไม่ใช่ และ 1=ใช่

ขั้นตอนที่ 3: การวิเคราะห์อัตราการคลิกผ่าน

ขั้นแรก เราทำการวิเคราะห์เพื่อดูว่ากิจกรรมของผู้ใช้ส่งผลต่อ CTR หรือไม่

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

CTR เทียบกับเวลาที่ใช้

ดูเหมือนว่าผู้คนมีแนวโน้มที่จะคลิกโฆษณามากขึ้นเมื่ออยู่บนหน้าอินเทอร์เน็ตนานขึ้น ประการที่สอง เราทำการวิเคราะห์เพื่อดูว่าการใช้งานอินเทอร์เน็ตรายวันของผู้ใช้ส่งผลต่อ CTR หรือไม่

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()

CTR เทียบกับการใช้อินเทอร์เน็ตรายวัน

จากกราฟ ผู้ใช้อินเทอร์เน็ตรายวันจะคลิกโฆษณาบ่อยขึ้น ต่อไป เราจะวิเคราะห์ว่าอายุของผู้ใช้ส่งผลต่ออัตราการคลิกผ่านหรือไม่

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()

CTR เทียบกับอายุ

จากกราฟด้านบน ผู้ใช้ที่มีอายุประมาณ 40 ปีจะเป็นผู้กำหนดความถี่ในการคลิกโฆษณา ต่อไป เราจะทดสอบว่ารายได้ของผู้ใช้มีผลกระทบต่ออัตราการคลิกผ่านหรือไม่

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()

CTR เทียบกับรายได้

ผู้บริโภคที่มีรายได้สูงมีแนวโน้มน้อยที่จะคลิกโฆษณา แม้ว่าแทบจะไม่มีความแตกต่างที่มีนัยสำคัญทางสถิติก็ตาม จากนั้นจึงคำนวณอัตราการคลิกผ่านโดยรวมสำหรับโฆษณา ที่นี่ เราต้องกำหนดสัดส่วนของผู้ใช้ที่ทิ้งการแสดงผลโฆษณาไว้กับผู้ที่คลิกโฆษณา เรามาตรวจสอบการกระจายผู้ใช้กันดีกว่า

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

ผู้ใช้คลิก

ดังนั้น 4917 คนจาก 10,000 คนคลิกโฆษณา เรามากำหนด CTR กันดีกว่า

click_through_rate = 4917 / 10000 * 100
print(click_through_rate)

คะแนน CTR

ดังนั้น CTR คือ 49.17

ขั้นตอนที่ 4: สร้างแบบจำลองป่าสุ่มและทำการคาดการณ์

ต่อไปเรามาสร้างก โมเดลการเรียนรู้ของเครื่อง ที่สามารถคาดการณ์อัตราการคลิกผ่านได้ ชุดข้อมูลจะแบ่งออกเป็นชุดการฝึกอบรมและการทดสอบก่อน ก่อนหน้านี้ ค่าของคอลัมน์ "เพศ" จะต้องแปลงเป็นตัวเลข ด้วยการแทนที่ "ชาย" ด้วย "1" และ "หญิง" ด้วย "0" จะเป็นการเข้ารหัสตัวแปรหมวดหมู่ "เพศ" ให้อยู่ในรูปแบบไบนารี่เพื่อการวิเคราะห์ที่รวดเร็วยิ่งขึ้น นอกจากนี้ ควรลบคอลัมน์ “บรรทัดหัวข้อโฆษณา” และ “เมือง” จากดาต้าเฟรม “x” เนื่องจากไม่ได้ทำหน้าที่เป็นตัวแปรอินพุตสำหรับโมเดลแมชชีนเลิร์นนิง

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] xtrain,xtest,ytrain,ytest=train_test_split(x,y,test_size=0.2,random_state=33)

ตอนนี้เรามาปรับใช้ แบบจำลองการจำแนกการพยากรณ์แบบสุ่ม เพื่อฝึกอบรมข้อมูล

model = RandomForestClassifier()
model.fit(x, y)

ต่อไป เรามาคำนวณความแม่นยำของแบบจำลองกัน

y_pred = model.predict(xtest)
print(accuracy_score(ytest,y_pred))

คะแนนความแม่นยำ

ปรากฎว่าคะแนนความแม่นยำดีมากเท่ากับ 95.2%

ในที่สุด เราก็มาถึงขั้นตอนการทดสอบโมเดลด้วยการคาดการณ์ตามคุณลักษณะที่มีอยู่

import warnings
warnings.filterwarnings("ignore") 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))

การทดสอบแบบจำลอง

ตัวแปร a, b, c, d และ e เป็นคุณสมบัติที่ผู้ใช้ป้อน ในขณะที่ผลการคาดการณ์แสดงว่า "ใช่" ซึ่งบ่งชี้ว่าหากเวลารายวันที่ใช้ในไซต์คือ 61.2 อายุคือ 35 ปี พื้นที่รายได้คือ 5800 ปริมาณการใช้อินเทอร์เน็ตรายวันคือ 115.21 เป็นเพศเป็นชาย ผลการทำนายคือ “ใช่”

สรุป

บทความนี้เริ่มต้นด้วยการวิเคราะห์อัตราการคลิกผ่านโดยอิงตามเวลารายวันที่ใช้บนเว็บไซต์ อายุของผู้ใช้ รายได้ในพื้นที่ การใช้อินเทอร์เน็ตรายวัน และการสำรวจผู้ใช้ จากนั้น จะคำนวณคะแนน CTR ตามผลรวมของผู้ใช้ ก่อนที่จะคาดการณ์อัตราการคลิกผ่านโฆษณาโดยใช้ Random Forest Classifier พูดอย่างกว้างๆ ในโพสต์นี้ เราได้พูดคุยเรื่องต่อไปนี้:

• จะค้นหาคุณสมบัติที่ส่งผลต่อการคาดการณ์อัตราการคลิกผ่านโฆษณาได้อย่างไร
• คุณจะคำนวณคะแนน CTR ตามจำนวนผู้ใช้ที่คลิกโฆษณาได้อย่างไร
• จะใช้โมเดล Random Forest Classifier เพื่อทำนายอัตราการคลิกผ่านโฆษณาได้อย่างไร

โดยรวมแล้ว บทความนี้ให้คำแนะนำที่ครอบคลุมเกี่ยวกับการคาดการณ์อัตราการคลิกผ่านโฆษณาโดยใช้ตัวแยกประเภทฟอเรสต์แบบสุ่ม หลาม. หากคุณมีคำถามหรือความคิดเห็นใด ๆ โปรดทิ้งไว้ด้านล่าง รหัสที่สมบูรณ์คือ ที่นี่

สื่อที่แสดงในบทความนี้ไม่ได้เป็นของ Analytics Vidhya และถูกใช้ตามดุลยพินิจของผู้เขียน

ที่เกี่ยวข้อง

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://www.analyticsvidhya.com/blog/2023/04/predicting-ad-click-through-rate-with-random-forest/