點(diǎn)擊率預(yù)估模型

0.前言

本篇是一個(gè)基礎(chǔ)機(jī)器學(xué)習(xí)入門篇文章，幫助我們熟悉機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與使用。

日常中習(xí)慣于使用Python各種成熟的機(jī)器學(xué)習(xí)工具包，例如sklearn、TensorFlow等等，來快速搭建各種各樣的機(jī)器學(xué)習(xí)模型來解決各種業(yè)務(wù)問題。

本文將從零開始，僅僅利用基礎(chǔ)的numpy庫，使用Python實(shí)現(xiàn)一個(gè)最簡單的神經(jīng)網(wǎng)絡(luò)(或者說是簡易的LR，因?yàn)長R就是一個(gè)單層的神經(jīng)網(wǎng)絡(luò))，解決一個(gè)點(diǎn)擊率預(yù)估的問題。

1.假設(shè)一個(gè)業(yè)務(wù)場景

聲明：為了簡單起見，下面的一切設(shè)定從簡….

定義需要解決的問題：

老板：小李，這臺機(jī)器上有一批微博的點(diǎn)擊日志數(shù)據(jù)，你拿去分析一下，然后搞點(diǎn)擊率預(yù)測啥的…

是的，就是預(yù)測一篇微博是否會被用戶點(diǎn)擊(被點(diǎn)擊的概率)…..預(yù)測未來，貌似很神奇的樣子！

熱門微博

簡單的介紹一下加深的業(yè)務(wù)數(shù)據(jù)

每一條微博數(shù)據(jù)有由三部分構(gòu)成： {微博id, 微博特征X, 微博點(diǎn)擊標(biāo)志Y}

微博特征X有三個(gè)維度：

X={x0="該微博有娛樂明星”，x1="該微博有圖”，x2="該微博有表情”}

微博是否被點(diǎn)擊過的標(biāo)志Y：

Y={y0=“點(diǎn)擊”, y1=“未點(diǎn)擊”}

數(shù)據(jù)有了，接下來需要設(shè)計(jì)一個(gè)模型，把數(shù)據(jù)輸入進(jìn)去進(jìn)行訓(xùn)練之后，在預(yù)測階段，只需要輸入{微博id,微博特征X}，模型就會輸出每一個(gè)微博id會被點(diǎn)擊的概率。

2.任務(wù)分析：

這是一個(gè)有監(jiān)督的機(jī)器學(xué)習(xí)任務(wù)

對于有監(jiān)督的機(jī)器學(xué)習(xí)任務(wù)，可以簡單的分為分類與回歸問題，這里我們簡單的想實(shí)現(xiàn)預(yù)測一條微博是否會被用戶點(diǎn)擊，預(yù)測目標(biāo)是一個(gè)二值類別：點(diǎn)擊，或者不點(diǎn)擊，顯然可以當(dāng)做一個(gè)分類問題。

所以，我們需要搭建一個(gè)分類模型（點(diǎn)擊率預(yù)測模型），這也就決定我們需要構(gòu)建一個(gè)有監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集。

模型的選擇

選擇最簡單神經(jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)有幾種不同類型的神經(jīng)網(wǎng)絡(luò)，比如前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)及遞歸神經(jīng)網(wǎng)絡(luò)等。本文將以簡單的前饋或感知神經(jīng)網(wǎng)絡(luò)為例，這種類型的人工神經(jīng)網(wǎng)絡(luò)是直接從前到后傳遞數(shù)據(jù)的，簡稱前向傳播過程。

3.數(shù)據(jù)準(zhǔn)備：

整體的流程：

數(shù)據(jù)預(yù)處理(數(shù)值化編碼)——>特征篩選——>選擇模型(前饋神經(jīng)網(wǎng)絡(luò))——>訓(xùn)練模型——>模型預(yù)測

假設(shè)，對4條微博的數(shù)據(jù)進(jìn)行數(shù)值化編碼，可以表示為如下的矩陣格式：

訓(xùn)練數(shù)據(jù)XY

解讀一條樣本數(shù)據(jù)：
第一條樣本數(shù)據(jù)為：X0=[0 0 1]，分別對應(yīng)著三維的特征，最后4x1的矩陣是Y，0表示無，1表示有，可知該特征對應(yīng)的Y0是未點(diǎn)擊。

所以，這條樣本可以翻譯為：[該微博沒娛樂明星，沒有圖片，有表情]，最終y=0，代表該條微博沒有被點(diǎn)擊。

業(yè)務(wù)以及數(shù)據(jù)特征是不是很簡單….簡單有點(diǎn)看起來編的不太合理 - ！

4.神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)：

1.輸入層：輸入的業(yè)務(wù)特征數(shù)據(jù)

2.隱藏層：初始化權(quán)重參數(shù)

3.激活函數(shù)：選擇激活函數(shù)

4.輸出層：預(yù)測的目標(biāo)，定義損失函數(shù)

我們即將使用的機(jī)器學(xué)習(xí)模型：

超級簡單的前饋神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)模型類似一個(gè)黑盒子，輸入歷史點(diǎn)擊的數(shù)據(jù)，進(jìn)行訓(xùn)練，然后就可以對未來的額數(shù)據(jù)進(jìn)行預(yù)測….我們上面設(shè)計(jì)的是一個(gè)超級簡單的前饋神經(jīng)網(wǎng)絡(luò)，但是可以實(shí)現(xiàn)我們上面的目的。

關(guān)于激活函數(shù)：

通過引入激活函數(shù)，實(shí)現(xiàn)了非線性變換，增強(qiáng)了模型的擬合效果。

關(guān)乎激活函數(shù)，請看之前的文章 吾愛NLP(2)--解析深度學(xué)習(xí)中的激活函數(shù)

在本文教程中，使用的是簡單的Sigmoid激活函數(shù)，但注意一點(diǎn)，在深層神經(jīng)網(wǎng)絡(luò)模型中， sigmoid激活函數(shù)一般不作為首選，原因是其易發(fā)生梯度彌散現(xiàn)象。

sigmoid公式

此函數(shù)可以將任何值映射到0到1之間，并能幫助我們規(guī)范化輸入的加權(quán)和。

sigmoid圖像

對sigmoid激活函數(shù)求偏導(dǎo)：

該偏導(dǎo)函數(shù)嗎，等下寫程序會用到，所以先放在這里！

模型的訓(xùn)練

訓(xùn)練階段，模型的輸入X已經(jīng)確定，輸出層的Y確定，機(jī)器學(xué)習(xí)模型確定，唯一需要求解的就是模型中的權(quán)重W，這就是訓(xùn)練階段的目標(biāo)。

主要由三個(gè)核心的流程構(gòu)成：

前向計(jì)算—>計(jì)算損失函數(shù)—>反向傳播

本文使用的模型是最簡單的前饋神經(jīng)網(wǎng)絡(luò)，起始就是一個(gè)LR而已….所以整個(gè)過程這里就不繼續(xù)介紹了，因?yàn)橹耙呀?jīng)寫過一篇關(guān)于LR的文章--- 邏輯回歸（LR）個(gè)人學(xué)習(xí)總結(jié)篇 ，如果對其中的細(xì)節(jié)以及公式的推導(dǎo)有疑問，可以去LR文章里面去尋找答案。

這里再提一下權(quán)重參數(shù)W更新的公式：

至此，所有的寫代碼需要的細(xì)節(jié)都已經(jīng)交代結(jié)束了，剩下的就是代碼了。

5.使用Python代碼構(gòu)建網(wǎng)絡(luò)

# coding:utf-8
import numpy as np 
class NeuralNetwork(): 
 # 隨機(jī)初始化權(quán)重
 def __init__(self): 
  np.random.seed(1) 
  self.synaptic_weights = 2 * np.random.random((3, 1)) - 1 
 # 定義激活函數(shù)：這里使用sigmoid
 def sigmoid(self, x): 
  return 1 / (1 + np.exp(-x)) 
 #計(jì)算Sigmoid函數(shù)的偏導(dǎo)數(shù) 
 def sigmoid_derivative(self, x): 
  return x * (1 - x)
 # 訓(xùn)練模型 
 def train(self, training_inputs, training_outputs,learn_rate, training_iterations): 
  # 迭代訓(xùn)練
  for iteration in range(training_iterations): 
   #前向計(jì)算 
   output = self.think(training_inputs) 
   # 計(jì)算誤差 
   error = training_outputs - output 
   # 反向傳播-BP-微調(diào)權(quán)重 
   adjustments = np.dot(training_inputs.T, error * self.sigmoid_derivative(output)) 
   self.synaptic_weights += learn_rate*adjustments 
 def think(self, inputs): 
  # 輸入通過網(wǎng)絡(luò)得到輸出 
  # 轉(zhuǎn)化為浮點(diǎn)型數(shù)據(jù)類型 
  inputs = inputs.astype(float) 
  output = self.sigmoid(np.dot(inputs, self.synaptic_weights)) 
  return output 
if __name__ == "__main__": 
 # 初始化前饋神經(jīng)網(wǎng)絡(luò)類 
 neural_network = NeuralNetwork() 
 print "隨機(jī)初始化的權(quán)重矩陣W"
 print neural_network.synaptic_weights
 # 模擬訓(xùn)練數(shù)據(jù)X
 train_data=[[0,0,1], [1,1,1], [1,0,1], [0,1,1]]
 training_inputs = np.array(train_data) 
 # 模擬訓(xùn)練數(shù)據(jù)Y
 training_outputs = np.array([[0,1,1,0]]).T 
 # 定義模型的參數(shù)：
 # 參數(shù)學(xué)習(xí)率
 learn_rate=0.1
 # 模型迭代的次數(shù)
 epoch=150000
 neural_network.train(training_inputs, training_outputs, learn_rate, epoch) 
 print "迭代計(jì)算之后權(quán)重矩陣W: "
 print neural_network.synaptic_weights
 # 模擬需要預(yù)測的數(shù)據(jù)X
 pre_data=[0,0,1]
 # 使用訓(xùn)練的模型預(yù)測該微博被點(diǎn)擊的概率
 print "該微博被點(diǎn)擊的概率："
 print neural_network.think(np.array(pre_data))
"""
終端輸出的結(jié)果：
隨機(jī)初始化的權(quán)重矩陣W
[[-0.16595599]
 [ 0.44064899]
 [-0.99977125]]
迭代計(jì)算之后權(quán)重矩陣W: 
[[12.41691302]
 [-0.20410552]
 [-6.00463275]]
該微博被點(diǎn)擊的概率：
[0.00246122]
[Finished in 20.2s]
"""

6.總結(jié)：

根據(jù)終端輸出的模型訓(xùn)練以及預(yù)測的結(jié)果，針對預(yù)測數(shù)據(jù)pre_data=[0,0,1]，模型輸出該微博被點(diǎn)擊的概率為0.00246，很顯然被點(diǎn)擊的概率比較小，可以認(rèn)為簡單認(rèn)為該微博不會被點(diǎn)擊！

是的，我們的業(yè)務(wù)目標(biāo)初步實(shí)現(xiàn)了----輸入任意一條微博的樣本數(shù)據(jù)到我們的機(jī)器學(xué)習(xí)模型中，既可以輸出該樣本被點(diǎn)擊的概率。

上面的就是我們設(shè)計(jì)的一個(gè)超級簡單的模型，假設(shè)了一個(gè)超級簡單的業(yè)務(wù)場景，并隨機(jī)設(shè)定了超簡單的訓(xùn)練數(shù)據(jù)，如果有 編 的不合理地方多多包涵！??！該例子雖然可能并不能幫你解決實(shí)際的業(yè)務(wù)問題，但是對于機(jī)器學(xué)習(xí)的新手理解神經(jīng)網(wǎng)絡(luò)，或許會有一點(diǎn)點(diǎn)幫助吧！

總結(jié)

以上所述是小編給大家介紹的用Python搭建超級簡單的點(diǎn)擊率預(yù)估模型，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時(shí)回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

最新評論