Прогноз ефективності коефіцієнта конверсії на основі логістичної регресії
Ключові слова:
логістична регресія, RTB, CTR, дерева даних, коефіцієнт конверсії, CPC, рекламні мережі, ієрархії даних, DSP, CPAАнотація
У статті розглянуто оптимальне зберігання минулих даних. Розглянуто алгоритми для кращої конверсії запропоновані в майбутньому більш точні результати ймовірностей тієї чи іншої конкретної реклами. Розглянуто поєднання оцінок CTR за допомогою логістичної регресії. Наведено основні відомості про CTR оптимізацію. Дається опис ієрархічної моделі даних. В ієрархічній моделі автоматично підтримується цілісність посилань між предками і нащадками. Основне правило: ніякої нащадок не може існувати без свого батька. Також розглядаємо розрахунок ймовірності за допомогою логістичної регресії. За допомогою методу бінарної логістичної регресії можна досліджувати залежність дихотомічних змінних від незалежних змінних, що мають будь-який вид шкалиПосилання
1. Agarwal, D., Broder, A., Chakrabarti, D., Diklic, D., Josifovski, V., Sayyadian, M. (2007). Estimating rates of rare events at multiple resolutions. ACM SIGKDD Conf. on Knowledge Discovery and Data Mining.
2. Ahmed, A. Low, Y., Aly, M., Josifovski, V., Smola, A. J. (2011). Scalable distributed inference of dynamic user interests for behavioral targeting. ACM SIGKDD Conf. on Knowledge Discovery and Data Mining.
3. Bax, E., Kuratti, A., Mcafee, P., Romero, J. (2012). Comparing predicted prices in auctions for online advertising. Int. J. of Industrial Organization, 30:80{88.
4 D. Blei, A. Ng, Jordan, M. (2003). Latent dirichlet allocation. J. of Machine Learning Research, 3:993{1022.
5. Cai, J.-F., Candes, E. J., Shen, Z. (2008). A singular value thresholding algorithm for matrix completion. SIAM J. on Optimization, 20:1956{1982.
6. Cerrato, D., Jones, R., Gupta, A. (2011). Classication of proxy labeled examples for marketing segment generation. ACM SIGKDD Conf. on Knowledge Discovery and Data Mining.
7. Chen, Y., Berkhin, P., Anderson, B., Devanur, N. R. (2011). Real-time bidding algorithms for performance-based display ad allocation. ACM SIGKDD Conf. on Knowledge Discovery and Data Mining.
8. De Leeuw, J., Hornik, K., Mair, P. (2009). Isotone optimization in r: Pool-adjacent-violators algorithm (pava) and active set methods. J. of Statistical Software, 32(5):1{24.
9. Williams, D. Liao, X., Xue, Y., Carin, L., Krishnapuram, B. (2007). On classication with incomplete data. IEEE Trans. On Pattern Analysis And Machine Intelligence, 29.
10. Menon, A., Chitrapura, K., Garg, S., Agarwal, D., Kota. N. (2011). Response prediction using collaborative ltering with hierarchies and side-information. ACM SIGKDD Conf. on Knowledge Discovery and Data Mining.
11. Visa, S., Ralescu, A. (2005). Issues in mining imbalanced data sets - a review paper. Proc. of the 16th Midwest AI and Cognitive Science Conf., 67{73.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2016 Анастасия Юрьевна Савченкова
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.