【玩转数据系列八】机器学习算法的离线调度实现-广告CTR预测
机器学习实验部署和调度
产品地址：https://data.aliyun.com/product/learn?spm=a21gt.99266.416540.102.OwEfx2
（因为模板功能限制，本实验需要用户自行上传分区表数据。）
（本文数据为虚构，仅供实验。本实验拟在介绍阿里云机器学习与大数据开发调度的配合。）
一、背景
本文实现的场景是广告的CTR预测。广告CTR预测是广告行业的典型应用，通过历史数据训练预测模型，对于每天的增量数据进行预测，找出广告的CTR符合标准的样本进行投放。
整套实验使用了阿里云机器学习进行数据挖掘工作，通过大数据开发套件进行调度和推送。具体的业务场景是：通过历史数据在阿里云机器学习平台上面训练模型，通过大数据开发进行调度，每天凌晨对于每天的广告投放CTR预测，甄选出符合标准的广告推送出去。
二、数据集介绍
具体字段如下：
| 字段名 | 含义 | 类型 | 描述 |
|---|---|---|---|
| id | ID | string | 广告的唯一标识 |
| age | 年龄 | double | 广告投放人群的年龄 |
| sex | 性别 | double | 广告投放人群的性别，1是男，0是女 |
| duration | 时长 | double | 广告在界面的停留时长，以秒为单位 |
| place | 位置 | double | 广告投放位置，0~4，按照投放位置从上到下的顺序排列 |
| ctr | 广告CTR | double | 广告点击量除以展现量，这里面大于0.03是1，其它是0 |
| dt | partition | string | 年月日格式yyyyMMdd |
数据截图：
数据是通过random算法随机生成，所以本次实验不针对结果进行评估，主要介绍实验搭建以及和大数据开发套件的调度使用。数据包含20160919、20160920的历史数据，需要针对20160921的数据预测。使用的是MaxCompute的分区表。
三、机器学习平台
实验可以通过实验模板处创建。找到带有【机器学习离线调度实现】字样的实验，从模板创建。
首先，实验流程图：
实验可以大致分为四个模块，数据源导入（ad），数据预处理（归一化），模型训练（逻辑回归二分类），预测（预测）。
数据源导入
- ad-2是训练数据源。
- ad-1是预测源，
- 通过配置分区表的partition [email protected]@{yyyyMMdd}，确定预测数据是每日的增量数据。（分区使用详情见：https://help.aliyun.com/document_detail/30281.html?spm=5176.doc30276.6.126.3kX7OU）
中间过程
中间过程包括数据的归一化、模型预测两个步骤。模型训练是通过历史数据训练生成的预测模型。(详细原理可以参考心脏病预测案例)
预测
最终预测生成的结果表为ad_result-1,数据如下：
- prediction_result包含每个广告id是否被点击，被点击是1，不被点击为0。
- prediction_score表示对应被点击概率
四、调度模块
进入数加的数据开发应用：
(1)新建工作流任务
- 在画布中可以拖动机器学习组件和ODPS_SQL组件进行工作流的搭建。
- 双击"广告预测"组件进入对应的机器学习模块，选择需要调度的机器学习实验：
- 返回，双击"每日预测值"组件，配置每日需要推送的信息，这里只需要推送预测结果是"被点击的广告",
- 选择需要调度的时间，这里我选择每日的凌晨0点进行训练和推送信息。
- 点击“提交”按钮，即可在运维中心查看实验的运行状态。调度从第二天才正式开始，进入运维中心。可以查看实验的日志。
五、其它
作者微信公众号(与作者讨论)：
参与讨论：云栖社区公众号
免费体验：阿里云数加机器学习平台
联系我们: [email protected]
往期文章：
【玩转数据系列二】机器学习应用没那么难，这次教你玩心脏病预测