Logistic模型是研究分類變量的重要方法,鑒于大數(shù)據(jù)背景下的數(shù)據(jù)具有高維性和稀疏性等特點,研究Logistic模型在高維數(shù)據(jù)集中的變量選擇方法是非常必要的.本文分析研究了 Logistic模型下的MCP（Minimax Concave Penalty）方法與 SLS（Sparse Laplacian Shrinkage）方法及其應(yīng)用,具體研究內(nèi)容和主要研究成果有:利用概率因子圖構(gòu)建影響搜索引擎廣告（Search Engine Advertising,SEA）轉(zhuǎn)化的各因素間的概率關(guān)系,建立基于多層先驗方法的Logistic模型,從而預測SEA轉(zhuǎn)化概率.通過實證分析驗證了該模型具有良好的可靠性,分析還表明:在各影響因子中廣告質(zhì)量對SEA轉(zhuǎn)化率影響更大,廣告主可通過優(yōu)化網(wǎng)站設(shè)計等方法改善著陸頁質(zhì)量、提升用戶體驗,從而獲得更多的廣告轉(zhuǎn)化.證明了在正則化條件下Logistic模型中參數(shù)的MCP估計具有Oracle性質(zhì),并將該方法應(yīng)用在SEA轉(zhuǎn)化率預測問題中,篩選出對轉(zhuǎn)化率有顯著影響的特征變量.分析顯示,廣告位置排名、關(guān)鍵詞信息和廣告著陸頁質(zhì)量均對轉(zhuǎn)化率有顯著影響.廣告主可通過選擇恰當?shù)年P(guān)鍵詞... 

【文章來源】：廣西大學廣西壯族自治區(qū) 211工程院校

【文章頁數(shù)】：49 頁

【學位級別】：碩士

【部分圖文】：

圖３－４?轉(zhuǎn)化率預測結(jié)果??Ｆｉｇ．?３－４?Ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｃｏｎｖｅｒｓｉｏｎ?ｒａｔｅ??

?０?１５??Ｐｉｅ?ｃｏｎ??圖３－４?轉(zhuǎn)化率預測結(jié)果??Ｆｉｇ．?３－４?Ｔｈｅ?ｐｒｅｄｉｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｏｆ?ｃｏｎｖｅｒｓｉｏｎ?ｒａｔｅ??為進一步驗證模型的預測效果，本節(jié)將與樸素貝葉斯（Ｎａｉｖｅ?Ｂａｙｅｓ）方法進行比較，??得到如下結(jié)果．??相比樸素貝葉斯，多層先驗貝葉斯模型的預測效果更好，在預測誤差和ＲＩＧ方面都??有所改善．此外，多層先驗貝葉斯的ＡＵＣ值為０．７２２，可認為它能夠?qū)D(zhuǎn)化事件進行較??好的預測．??０．８??０．７２２??０．７??０．６??０．５０邏??０．５??〇．４?■樸藏貝葉斯??ａ多；２先驗貝葉斯??０．３?０．２７０??０．２０邏??〇，〇２?■！?■??：ｌｂ?■?■??ＰＥ?ＲＩＧ?ＡＵＣ??圖３－５模型預測精度對比??Ｆｉｇ．?３－５?Ｔｈｅ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｍｏｄｅｌｓ＇?ｐｒｅｄｉｃｔｉｏｎ?ａｃｃｕｒａｃｙ??１５??

４．?３．?２實驗結(jié)果分析??實驗過程中，文章首先采用１０折交叉驗證法（１０－ｆｏｌｄ?Ｃｒｏｓｓ?Ｖａｌｉｄａｔｉｏｎ）選擇調(diào)整??參數(shù)．觀察圖４－１，當參數(shù)入＝?０．０１時，交叉驗證誤差值最�。虼耍竟�(jié)選擇該值作為??后續(xù)實驗的參數(shù)值．??２３??

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)時代的高維統(tǒng)計:稀疏建模的發(fā)展及其應(yīng)用[J]. 李仲達,林建浩,王美今.  統(tǒng)計研究. 2015(10)
[2]一種基于因子圖的搜索廣告轉(zhuǎn)化預測模型[J]. 顧智宇,秦濤,王斌.  中文信息學報. 2015(03)
[3]基因共表達網(wǎng)絡(luò)的構(gòu)建及分析方法研究綜述[J]. 汪濤,蔣慶華,彭佳杰,王亞東.  智能計算機與應(yīng)用. 2014(06)
[4]Logistic模型中參數(shù)的自適應(yīng)Lasso估計[J]. 王娉,郭鵬江,夏志明.  西北大學學報(自然科學版). 2012(05)
[5]搜索引擎關(guān)鍵字廣告的競爭分析[J]. 陳李鋼,李一軍.  中國管理科學. 2010(05)

博士論文
[1]搜索引擎用戶點擊模型研究[D]. 邢千里.清華大學 2014

碩士論文
[1]基于Web使用挖掘的網(wǎng)站優(yōu)化策略研究[D]. 程文.鄭州大學 2012
[2]廣義線性模型基于Elastic Net的變量選擇方法研究[D]. 盧穎.北京交通大學 2011



本文編號：3263280