简介：许多朋友在物联网中询问有关CTR模型的问题。首席执行官在本文中注明将为您提供详细的答案，以供所有人参考。我希望这对每个人都会有所帮助！让我们一起看看！
什么是CTR？
CTR是“循环时间缩短”的缩写。这是一种系统的方法，可以通过省略不必要的工作步骤来快速响应客户需求，以便公司可以快速响应客户需求。
（1987年，摩托罗拉首次将CTR作为获得总体客户满意的重要措施之一。自2002年初以来，CTR活动项目已在APP印度尼西亚和中国的许多工厂启动。AppChina Procuregn Procurement CTR Activity是一项是之一他们。））
CTR购买CTR的周期是指从购买需求计划到收据和付款的整个业务流程开始所需的时间。通常，CTR项目的实施过程可以分为以下四个阶段：
当前阶段（按原样）：我们必须充分了解当前的业务流程以及各个方面日常工作中遇到的问题和困难。
肩膀：找出克服并解决上一阶段通过脑力提出的各种问题的改进方法。
实施阶段（实施）：上一阶段计划的改进措施的实施。
监视：执行各种改进措施后，评估和监督各种改进方法和实施结果。
本文的目的是促进自己的学习和审查。如果您有任何错误，请原谅我。欢迎指出。
上一篇文章没有整理评估指标，该指标补充了建模过程中一些常用的评估指标。
最近，该项目一直在建模（CTR）建模（CTR）建模，并且AUC在建模过程中已被用作评估指标。由于我的数据集的正和负样本不均匀（1：3），以便为了进行（1：3）加强模型对正样本的注意力，将类别的重量添加到损失功能（类似于面部损失，您无法理解先前的面部损失简介）后，培训完成后，发现AUC基本上具有AUC没有改变。根据以前的竞争经验，通常会改善它。整体没有改变。
我开始犹豫不决的AUC是否真的合适。我觉得它不能反映模型对模型的识别为正面样本，而是反映了模型的总体样本分类能力。根据我对业务的理解，广告点击率 - 直接率预告片，这是理想的情况希望获得这样的模型：它认识到的积极样本用户是否没有被识别为无关紧要。无论如何，确保标识的积极样本肯定会单击。换句话说，阳性样本的准确性必须很高，而召回只有可能（理解错误的感谢）。
说了很多话，我个人认为，除了通过AUC的分类能力外，我还要更多地关注模型对模型对积极样本的识别的认识。按顺便说一句，组织了常用的评估指标。
通过常用的混淆矩阵来介绍各种评估指标和计算公式，我们可以看到哪些不同的指标更关心公式。
真正的积极（TP）：实际类别是一个积极的例子，预测类别是一个积极的例子。
假阴性（FN）：实际类别是一个积极的例子，预测类别是负面案例。
假阳性（FP）：实际类别为负，预测类别是一个积极的例子。
真正的负（TN）：实际类别为负，预测类别是负面案例。
计算公式：（TP+TN）/（TP+FN+FP+TN）
定义：所有样品中所有样品中所有样品的比例
UNE平衡样本分布可能会“满足”模型。例如，阳性样品的比例占5％，阴性样本比例为95％。如果所有模型都预测了负样本，则精度率为95％。在实际情况下，精度率更少。
计算公式：TP / TP+FP
定义：所有模型预测均被预测为正样品中的真实样本
准确性和准确性很容易混淆，公式显然与公式不同。准确率通常与召回率相结合观察模型。（下班）
而不是运行内存。运行内存。如果它超过了运行内存的运行范围，则无法正常运行，因此小数据可以正常运行，并且大数据不能正常运行。
结论：以上是首席CTO注释为每个人编写的CTR模型的相关内容。希望它对您有所帮助！如果您解决了问题，请与更多关心此问题的朋友分享?