网络平台为企业打广告的收费分成两个部分,一部分是根据广告占用页面的位置和位置的大小进行收费;另一部分是根据广告的点击率进行收费。网络平台获取的利润的多寡与广告的点击率密切相关,点击率越高,网络平台的利润就越大,因此广告的点击率成为网络平台筛选广告的关键因素,要为广告点击率建立一个恰当的预测模型。现有的预测模型有逻辑回归、随机森林和梯度提升等模型。但预测的精度很难达到理想的状态。本文首先从数据城堡采集1928条广告数据,每条广告数据包含广告主、广告主行业、促销活动、广告创意的等级、广告创意的展现形式、广告宽、广告高、落地页跳转、落地页下载和广告语音视频10个指标;对缺失数据采用3近邻样本的平均值进行填补,然后采用基尼指数筛选广告数据的特征指标为广告主、广告主行业、促销活动、广告创意的等级、广告创意的展现形式、广告宽和广告高,把这7个特征指标的广告数据作为样本训练集,最后采用K均值-梯度提升算法预测广告点击的概率,给这个概率给定一个阈值,预测概率超过这个阈值,视为广告点击率高,广告类别输出为1,网络平台可以接受该广告;当预测点击的概率小于这个阈值,视为广告点击率低,广告类别输出为0,网络平台不可以接受该广告。论文为说明K均值-梯度提升算法的有效性,用本文的训练数据集,分别学习逻辑回归、随机森林和梯度提升分类器,把这几个分类器的分类结果与K均值-梯度提升算法的分类结果对比,对比结果表明K均值-梯度提升算法的预测效果精度最高。