CTR预测经典模型GBDT+LR

CTR预测：点击率预测，

基本思想：

GBDT 基于集成学习中的boosting思想，每次迭代都在减少残差的梯度方向新建立一颗决策树，迭代多少次就会生成多少颗决策树，不断减少误差。假设GBDT由两颗树构成，如下图中的 树1 和 树2 ：

对于有三个叶节点的树1而言，按照红色箭头的路径，落在了第2个叶子节点上，则树1输出的编码为[0, 1, 0]。同理，对于树2而言，其输出的编码为 [1, 0]。将所有树的编码拼接起来就得到了 [0, 1, 0, 1, 0]，此编码就可以作为该样本的新特征使用。最后将得到的[0, 1, 0, 1, 0] 作为特征输入到LR模型，完成CTR的预估。
 

 代码实现

代码将LightGBM作为GBDT使用，LR模型则使用Sklearn内置的方法。 假设使用32棵树，且每棵树有64个叶节点，则训练这样的模型代码如下：

def gbdt_lr_predict(data,category_feature,continuous_feature):
    # 类别特征one-hot编码
    for col in category_feature:
        onehot_feats = pd.get_dummies(data[col],prefix=col)
        data.drop([col],axis=1,inplace=True)
        data = pd.concat([data,onehot_feats],axis=1)

    train = data[data['Label']!=-1]
    target = train.pop('Label')
    test = data[data['Label']==-1]
    test.drop(['Label'],axis=1,inplace=True)

    #划分数据集
    x_train,x_val,y_train,y_val = train_test_split(train,target,test_size=0.2,random_state=2020)

    n_estimators=32
    num_leaves = 64
    # 开始训练gbdt,使用32棵树，每棵树64个叶节点
    model = lgb.LGBMRegressor(
        objective="binary",
        subsample=0.8,      # 随机样本
        min_child_weight=0.5,# 孩子节点中最小的样本权重和
        colsample_bytree=0.7, # 特征随机采样的比例
        num_leaves=num_leaves, # 叶子的个数
        learning_rate=0.05,
        n_estimators=n_estimators,
        random_state=2020)

    model.fit(x_train,y_train,eval_set=[(x_train,y_train),(x_val,y_val)],
              eval_names=['train','val'],
              eval_metric='binary_logloss',verbose=0)

    # 得到每一条数据每棵树的哪个叶子节点上
    gbdt_feats_train = model.predict(train,pred_leaf=True)

    # 打印结果的shape
    print(gbdt_feats_train.shape)
    # 打印前5个数据
    print(gbdt_feats_train[:5])

    # 同样获得测试集的叶节点索引
    gbdt_feats_test = model.predict(test,pred_leaf=True)

    # 将32棵树的叶节点序号构造成DataFrame,方便后续进行one-hot
    gbdt_feats_name=['gbdt_leaf_'+str(i) for i in range(n_estimators)]
    df_train_gbdt_feats = pd.DataFrame(gbdt_feats_train,columns=gbdt_feats_name)
    df_test_gbdt_feats = pd.DataFrame(gbdt_feats_test,columns=gbdt_feats_name)
    train_len = df_train_gbdt_feats.shape[0]
    data = pd.concat([df_train_gbdt_feats,df_test_gbdt_feats])

    # 对每棵树的叶节点进行one-hot
    for col in gbdt_feats_name:
        onehot_feats = pd.get_dummies(data[col],prefix=col)
        data.drop([col],axis=1,inplace=True)
        data = pd.concat([data,onehot_feats],axis=1)

    train = data[:train_len]
    test = data[train_len:]

    # 划分LR训练集、验证集
    x_train,x_val,y_train,y_val= train_test_split(train,target,test_size=0.3,random_state=2018)

    # 开始训练lr
    lr = LogisticRegression()
    lr.fit(x_train,y_train)
    tr_logloss = log_loss(y_train,lr.predict_proba(x_train)[:,1])
    print("tr_logloss",tr_logloss)
    val_logloss = log_loss(y_val,lr.predict_proba(x_val)[:,1])
    print("val_logloss", val_logloss)
    # 对测试集预测
    y_pred = lr.predict_proba(test)[:,1]

参考文章： 

广告点击率(CTR)预测经典模型 GBDT + LR 理解与实践（附数据 + 代码）_VariableX的博客-CSDN博客

推荐系统遇上深度学习(十)–GBDT+LR融合方案实战