随着社会经济的高速发展,互联网产业的兴起,网络购物已经成为人们日常生活中密不可分的一部分。由此衍生出来的广告产业,已经是一个千亿规模的市场。在这个市场中良莠不齐,存在着大量的劣质商品和广告。对于企业来说,如果将这些广告发布出去,将会面临巨大的法律风险,而广告数量巨大,通过专人审查的方式显然是不可能的。所以通过数学模型的方式进行客户的甄别,进行广告风险的预防显得十分必要。但是由于互联网广告市场发展的时间非常短,增长又非常快,虽然各个企业都在自己的经营中有相应的方法和手段,却基本没有学术方面的总结和论证。据我所知,国内外有关该课题的研究几乎很少。按照本人在阿里巴巴广告部门工作9年的工作经验,对比相应的统计学建模方法,互联网广告客户的风险在很大程度上和金融企业的信用风险评级非常类似。本文实验数据为国内某大型互联网企业广告客户的数据的抽样,在数据预处理过程中,通过多种方法的对比,运用极差正规化进行数据离散化。分类问题中必然存在错分的可能,不同错分情况产生的代价损失也不同。在广告客户风险评级问题中,将“正常”客户误判为“违规”客户和将“违规”客户误判为“正常”客户产生的代价损失也大不相同。后者带来的损失风险是不可估量的。本文引入代价敏感概念,构造代价函数和风险函数。通过大量实验确定代价函数的最优参数,分别建立logostic回归模型、代价敏感朴素贝叶斯模型和朴素贝叶斯模型。实证结果表明,在不明显降低正确率的情况下,代价敏感朴素贝叶斯模型能较大程度降低“违规”客户误判为“正常”客户的概率。是一种适用于互联网广告客户风险预测的模型。