广告点击指的是用户对广告产生了点击行为,点击事件的发生取决于用户信息、广告信息、用户浏览广告时的上下文信息。通过分析营销平台积累的广告历史数据,探索用户点击广告时的规律,并选取合理的预测方法解决广告点击率预测问题,对营销平台合理呈现广告、广告商推广自身品牌等具有重要意义。本文根据营销平台所提供的广告历史数据,对已有数据集进行可视化分析与处理,探索不同属性与广告点击间的关系。在此基础上,通过缺失值填充等预处理方式结合特征构建获得完整有效的广告历史实验数据集。针对过多的特征会导致预测模型训练耗时过久且效果变差的现象,采用Light GBM模型结合递归特征消除法思想进行特征选取,得到了简化的最终实验数据集。研究相关预测算法,重点研究了逻辑回归算法、XGBoost算法和Light GBM算法,并使用确定的实验数据集进行了单项预测模型的实现与调优,实验结果表明,同一特征在XGBoost预测模型和Light GBM预测模型中其重要性不同,三个单项预测模型的AUC值和Log Loss得分不同,表明了单项预测模型的准确度还有提升空间。在单项模型实践基础上,设计了基于平均法和基于Stacking的集成预测模型,对模型进行实现发现,两种集成预测模型的准确度较单项预测模型都有提高,其中基于Stacking的集成预测模型效果最好,其相对最优的单项预测模型在AUC得分和Log Loss指标的百分位上分别提升了1.36%和1.20%。因此,将基于Stacking的集成预测模型作为最终的广告点击率预测模型。