Partager via

Science des données Toolkit - Service de modèle personnalisé de régression logistique

Le service de modèle personnalisé de régression logistique vous permet de créer des modèles de régression logistique (parfois appelés « modèles logit ») pour prédire la probabilité de clics ou de conversions en fonction d’une combinaison de plusieurs signaux. Les modèles de régression logistique peuvent ensuite être associés à un élément de ligne à l’aide du service d’élément de ligne - ALI (archivé).

Remarque

Cette offre est actuellement en version bêta fermée et est disponible pour un ensemble limité de clients. Pour plus d’informations sur l’ensemble d’outils d’annonces avancées et les cas d’usage potentiels qui peuvent s’appliquer à votre entreprise, contactez votre représentant de compte.

La formule de régression logistique est la suivante :

Capture d’écran de la formule de régression logistique.

Pour la publicité en ligne, l’événement est un clic, un feu de pixels ou une autre action en ligne. La probabilité est conditionnelle aux prédicteurs x 1 à xn et à un ensemble implicite de variables qui représentent les caractéristiques d’une demande d’offre. Les coefficients bêta sont les pondérations que le modèle attribue à différents prédicteurs.

Nous convertissons cette probabilité qu’un événement se produise en valeur attendue en multipliant la probabilité par la valeur de l’événement (l’objectif eCPC pour une prédiction de clic), en ajoutant un décalage additif à l’estimation, puis en appliquant des limites de valeur minimale/maximale attendue pour réduire l’impact des mauvaises prédictions.

La formule permettant de dériver une valeur attendue pour une impression à partir de la probabilité qu’un événement se produise est la suivante :

Capture d’écran de la formule permettant de dériver une valeur attendue pour une impression à partir de la probabilité qu’un événement se produise.

Le décalage est généralement 0. Toutefois, une valeur négative peut être utile en tant que facteur de sécurité pour garantir les performances au détriment de la livraison sur des stocks peu performants. Cela permettra de s’assurer que l’annonceur ne soumissionne pas, au lieu d’enchérir très peu et peut entraîner des frais fixes.

Pour plus d’informations sur le fonctionnement des modèles personnalisés de régression logistique, consultez Modèles de régression logistique.

API REST

Ajouter un nouveau modèle de régression logistique

POST https://api.appnexus.com/custom-model-logit
(template JSON)

Modifier un modèle de régression logistique

PUT https://api.appnexus.com/custom-model-logit?id=CUSTOM_MODEL_LOGIT_ID
(template JSON)

Supprimer un modèle de régression logistique

DELETE https://api.appnexus.com/custom-model-logit?id=CUSTOM_MODEL_LOGIT_ID

Afficher tous les modèles de régression logistique

GET https://api.appnexus.com/custom-model-logit

Afficher un modèle de régression logistique spécifique

GET https://api.appnexus.com/custom-model-logit?id=CUSTOM_MODEL_LOGIT_ID

Champs JSON

Généralités

Champ Type Description
id int ID du modèle personnalisé de régression logistique.
Par défaut : nombre généré automatiquement
Obligatoire sur : PUT/ DELETE dans la chaîne de requête
name string Nom du modèle.
beta0 float β coefficient 0 dans l’équation de régression logistique.
max float Max dans l’équation de valeur attendue.
min float Min dans l’équation de valeur attendue.
offset float Décalage dans l’équation de valeur attendue.
scale float Mettre à l’échelle l’équation de valeur attendue.
predictors tableau Tableau de prédicteurs. Pour plus d’informations, consultez Prédicteurs ci-dessous.

Prédicteurs

Champ Type Description
predictor_type scalar_descriptor, custom_model_descriptor, freq_rec_descriptor, segment_descriptor, categorical_descriptor
keys
hash_seed
default_value
hash_table_size_log
coefficients

Descripteur haché

Ce point de terminaison consiste à envoyer une table pré-hachée. bucket_index0 et bucket_index1, de 64 bits chacun, sont là pour prendre en charge les algorithmes de hachage qui produisent des valeurs longues en tant que clés. Actuellement, nous ne prenons en charge qu’un seul algorithme de hachage : MurmurHash3_x64_128, qui créera deux entiers 64 bits, mais nous n’utilisons que les 64 bits inférieurs du hachage.

Les valeurs dans bucket_index0 doivent toujours être inférieures (2 ^ hash_table_size_log) à ou elles seront rejetées.

Actuellement, les valeurs dans bucket_index1 sont ignorées, car elles doivent être utilisées pour une extension ultérieure. Si une valeur est envoyée pour bucket_index1, elle doit être 0. Le paramètre est facultatif.

Clés de table de hachage

Pour chacune de vos clés de table de hachage, vous aurez besoin d’une valeur uint32. Ces valeurs doivent être l’ID de l’objet respectif que vous référencez à partir de notre système , domain_idpour instance, plutôt que la valeur de chaîne de domaine. Ces clés uint32 sont ensuite transformées en tableau d’octets (little-endian) et hachées.

Exemple Python

hash_bucket  = (mmh3.hash64(bytes, seed)[ 0 ])  % table_size

Champ Type Description
type
keys Tableau d’un à 5 descripteurs dans cette liste :
hashed_seeds Semences utilisées lorsqu’elles sont passées à Murmurhash3_x64_128 la fonction, une seule première est utilisée pour l’instant, array est pour les futures fonctions de hachage planifiées qui ont besoin de plusieurs seed
hash_id ID de table de hachage existant
default_value Valeur retournée par le descripteur si aucune correspondance n’est trouvée dans votre table de hachage
hash_table_size_log Journal de la valeur maximale pour une clé de votre table. Les valeurs supérieures 2^hash_table_size_log à seront rejetées. Max for hash_table_size_log is 64 (no bucketing)

Exemple de descripteur haché

{
    "type": "hashed",
    "keys": [ 
    ],
    "hash_seeds": [42, 42, 42, 42, 42, 42], 
    "hash_id": ,
    "default_value": 0,                     
    "hash_table_size_log": 20                
}

Descripteur de la table de recherche (LUT)

Champ Type Description
type
feature_keyword
default_value
initial_range_log
bucket_count_log_per_range

Exemple de descripteur LUT

{
        "type": "lookup",
        "default_value": 0.1,
        "features": [
                {
                        "type": "categorical_descriptor",
                        "feature_keyword": "advertiser_id"
                },
        {
                        "type": "scalar_descriptor",
                        "feature_keyword": "user_age",
                        "default_value": 0
                }
        ],
        "coefficients": [
                {'weight': 1.1, 'key': [1, 1]},
                {'weight': 1.3, 'key': [2, 2]},
                {'weight': 1.2, 'key': [3, 3]},
        ]
}

Descripteur catégoriel

Étant donné qu’il s’agit de trouver une correspondance exacte, les default_valueparamètres , initial_range_log et bucket_count_log_per_range ne sont pas nécessaires.

Valeurs manquantes

La valeur de clé de -1 peut être utilisée comme espace réservé pour une fonctionnalité manquante ; Par instance, lorsqu’un domaine n’est pas signalé par le vendeur. Sinon, la valeur par défaut du LUT ou du modèle de hachage sera utilisée, car aucune correspondance n’est trouvée pour cette valeur de fonctionnalité.

Champ Type Description
type
feature_keyword - country
- region
- city
- dma
- postal_code
- user_day
- user_hour
- os_family
- os_extended
- browser
- language
- user_gender
- domain
- ip_address
- position
- placement
- placement_group
- publisher
- seller_member_id
- supply_type
- device_type
- device_model
- carrier
- mobile_app
- mobile_app_instance
- mobile_app_bundle
- appnexus_intended_audience
- seller_intended_audience
- spend_protection
- user_group_id
- advertiser_id
- brand_category
- creative
- inventory_url_id
- media_type
default_value
object_type Advertiser, li - ne_item, ( campaign non fractionné ?)
object_id ID de l’annonceur référencé,

Exemple de descripteur catégoriel

{
    "type": "categorical_descriptor",
    "feature_keyword": "city"
}

Descripteur de fréquence et de récence

Champ Type Description
type
feature_keyword frequency_life
frequency_daily
recency
default_value
object_type Advertiser, line_item, ( campaign non fractionné ?)
object_id ID de l’annonceur référencé,
default_value Valeur retournée par le descripteur si aucune correspondance n’est trouvée
initial_range_log Utilisé pour le compartimentage des journaux, plage initiale
bucket_count_log_per_range utilisé pour le compartimentage des journaux, nombre de compartiments par plage

Exemple de descripteur de fréquence et de récence

{
    "type": "frequency_recency_descriptor",
    "feature_keyword": 'frequency_life',
    "object_type": 'advertiser',
    "object_id": 1,                   
    "default_value": 0,              
    "initial_range_log": 4,           
    "bucket_count_log_per_range": 2   
}

Descripteur scalaire

Champ Type Description
type
feature_keyword - appnexus_audited
- cookie_age
- estimated_average_price
- estimated_clearing_price
- predicted_iab_view_rate
- predicted_video_completion_rate
- self_audited
- size
- creative_size
- spend_protection
- uniform
- user_age

Remarque : Le descripteur de taille est représenté sous la forme d’une chaîne dans vos modèles (« 300 x 250 », pour instance), mais converti en scalaire dans notre soumissionnaire. Toute taille étant techniquement valide dans notre système, cette fonctionnalité est traitée comme une caractéristique scalaire plutôt qu’une caractéristique catégorielle.
default_value Valeur retournée par le descripteur si aucune correspondance n’est trouvée
initial_range_log Utilisé pour le compartimentage des journaux, plage initiale
bucket_count_log_per_range Utilisé pour le compartimentage des journaux, nombre de compartiments par plage

Exemple de descripteur scalaire

{
    "type": "scalar_descriptor",
    "feature_keyword": "cookie_age",
    "default_value": 0,              
    "initial_range_log": 4,           
    "bucket_count_log_per_range": 2   
}

Descripteur de segment

Champ Type Description
type
feature_keyword segment_value
segment_age
segment_presence
segment_id ID du segment référencé
default_value Valeur retournée par le descripteur si aucune correspondance n’est trouvée
initial_range_log Utilisé pour le compartimentage des journaux, plage initiale
bucket_count_log_per_range Utilisé pour le compartimentage des journaux, nombre de compartiments par plage

Exemple de descripteur de segment

{
    "type": "segment_descriptor",
    "feature_keyword": "segment_age",
    "segment_id": 2,                  
    "default_value": 0,              
    "initial_range_log": 4,           
    "bucket_count_log_per_range": 2   
}