1、評價指標體系
1）logloss：評價點擊率預測的准確性
計算公式：
對於ctr計算來說：
最后化簡可以成為：
最后的計算代碼：
這樣的計算代碼中在使用log計算時pctr[i]中的必須判斷是否為0，否則出現無窮的情況；
2）AUC指標
使用二分類舉例：
首先根據分類結果統計一個混淆矩陣：
舉例：
二分類的評價指標：
預測准確率表示：在預測值中為1的預測的准確率
召回率表示：真實值為1的預測正確的比例
正確率：整個預測的正確率1預測1 + 0預測0 /全部；
ROC圖：越靠近左上部分的分類效果就越好；以FP Rate為橫坐標， TP Rate為縱坐標；
ctr 預估是一個二分類問題，可以根據ctr的預測設置閾值然后統計FP Rate和 TP Rate，然后根據這兩個值畫出ROC曲線：
為了避免閾值對分類器結果造成影響，引入AUC進行評價；
AUC：area under curve：
線上指標：
對於線上指標，cpm要漲，但是cpc要維持穩定；
上線需要根據具體的要求進行調整，看看是依靠點擊率還是依靠點擊單價進行；
2、評估系統
廣告請求到來后，進行ctr預估系統，系統從廣告庫中選擇廣告進行ctr預估，產生點擊率預估值；預估的流程：
首先對數據進行預處理，通過對廣告設置埋點，一旦廣告被點擊生成唯一的urlId進入點擊日志系統與展示日志進行匹配完成一次點擊統計，由於樣本庫巨大需呀對其進行采樣，對於點擊率來說大多數的結果都是很小也就是一個負樣本，因此需要對其進行負采樣，這樣做的目的就在於減少訓練數據的規模，同時還可以增加正樣本的比例，使得AUC還會增加也就是分類器的效果更好。
然后進行特征工程，對特征進行篩選，選擇出有用的特征或者對特征進行處理；
3、項目介紹
