如何在Python中使用CTR作为因变量构建Logistic回归模型？

错误原因 #

你遇到的ValueError: Unknown label type: 'continuous'，本质是用了连续数值型的CTR作为Logistic回归的因变量。Logistic回归是二元分类模型，只能接受0/1这样的二元标签（代表事件发生/不发生），而CTR是点击量/曝光量的比值，属于连续变量，不符合模型要求。

正确建模思路 #

Logistic回归的核心是预测单个曝光的点击概率（这个概率的期望就是CTR），所以要从原始点击/曝光数据入手，两种可行方案：

方案1：拆分单个曝光为样本（最标准） #

把每一次曝光都作为独立样本，因变量设为1（该次曝光被点击）或0（未被点击），自变量保留广告位置、创意类型等特征。

比如一条数据是「曝光100次，点击5次」，就拆成100个样本：5个样本的y=1，95个样本的y=0，每个样本的特征和原数据一致。

代码示例：

from sklearn.linear_model import LogisticRegression
import pandas as pd

# 假设你的原始聚合数据
data = pd.DataFrame({
    'ad_position': [1, 2, 1, 3],
    'creative_type': [0, 1, 1, 0],
    'clicks': [5, 3, 8, 2],
    'impressions': [100, 80, 150, 60]
})

# 拆分每个曝光为单独样本
expanded_rows = []
for _, row in data.iterrows():
    # 添加点击样本
    expanded_rows.extend([{
        'ad_position': row['ad_position'],
        'creative_type': row['creative_type'],
        'clicked': 1
    }] * row['clicks'])
    # 添加未点击样本
    expanded_rows.extend([{
        'ad_position': row['ad_position'],
        'creative_type': row['creative_type'],
        'clicked': 0
    }] * (row['impressions'] - row['clicks']))

expanded_df = pd.DataFrame(expanded_rows)

# 训练模型
X = expanded_df[['ad_position', 'creative_type']]
y = expanded_df['clicked']
model = LogisticRegression()
model.fit(X, y)

# 预测单个曝光的点击概率
print(model.predict_proba([[1, 0]]))  # 输出格式：[[未点击概率, 点击概率]]

方案2：加权Logistic回归（高效处理聚合数据） #

如果曝光量太大，拆分样本会导致内存溢出，可以用加权回归：

• 保留聚合后的每条数据作为样本
• 因变量用该组的CTR（点击量/曝光量）
• 给每个样本设置权重，权重等于该组的曝光量（代表该样本对应多少个原始曝光）

数学上，这种加权方式和拆分样本的结果完全等价，但效率更高。

代码示例：

from sklearn.linear_model import LogisticRegression
import pandas as pd

data = pd.DataFrame({
    'ad_position': [1, 2, 1, 3],
    'creative_type': [0, 1, 1, 0],
    'clicks': [5, 3, 8, 2],
    'impressions': [100, 80, 150, 60]
})

# 构造特征、因变量和权重
X = data[['ad_position', 'creative_type']]
y = data['clicks'] / data['impressions']
sample_weights = data['impressions']

# 训练加权模型
model = LogisticRegression()
model.fit(X, y, sample_weight=sample_weights)

# 预测点击概率
print(model.predict_proba([[1, 0]]))

补充说明 #

Logistic回归输出的是单条曝光的点击概率，某组广告的CTR就是该组所有曝光点击概率的平均值，不需要直接把CTR当因变量建模。

内容的提问来源于stack exchange，提问作者tomas_530