预测模型结果校准——前言

 

1. 对于正负样本十分不均衡的问题，通常先进性负采样，然后再对模型进行校准，可参阅文献[1]，博客中介绍了Prior Correction 和 Weighting方法。
2. 利用分bin的方法，通过统计训练数据的CTR，对预测的CTR进行校准，建立预测CTR到校准后CTR的映射函数，比如Bining方法。
3. 根据已有的先验知识，以预估值作为变量，观测值作为目标，用回归算法拟合参数。比如Platting Scaling 和Poisson Regression方法。
4. 不涉及训练数据的CTR，直接通过Isotonic Regression算法，用预测的CTR 拟合训练数据样本的label（1：clicked; 0: not clicked），并保证保序，此外可以通过插值在保证保序的基础上对映射函数进行平滑。

参考文献：

[1] vividfee的博客：<面向稀有事件的 Logistic Regression 模型校准>

 http://vividfree.github.io/机器学习/2015/12/15/model-calibration-for-logistic-regression-in-rare-events-data