根据Meta-Learner的组合不同,通常分为:S-Learner、T-Learner、X-Learner、R-Learner。 优点:利用了既有预测算法的预测能力,方便易实现 缺点:不直接建模uplift,效果打折扣 2.2.1 S-Learner S即Single,S-Learner是指用一个模型来估计Uplift,即在实验组和对照组样本特征中加入干预 T T T有关的特征,将实验组和对...
当前uplift model主要有三个大方向:meta learner、class variable transformation(响应结果为二元变量时可用)、直接对uplift建模(基于对现有ML模型,如树模型的改造),之后会逐一介绍。然后会介绍uplift模型评估方法。 3. Meta Learner 对子人群接受干预时的outcome E[Y(1)|X] 和子人群不接受干预时的outcome E[Y(0)...
X learner所需的倾向性得分(充当权重函数G(x)):代表给定样本的X, 该样本被干预的概率 # uplift模型之Meta model: X learner (T learner升级版)# (1) LR模型:获取权重, 倾向性得分 代表给定样本的X, 该样本被干预的概率fromsklearn.linear_modelimportLogisticRegressionasLRfromsklearn.datasetsimportload_breast...
和T-Learner一样先用干预和不干预的数据训练两个模型分别得到\mu_1=E[Y_1|X=x]和\mu_0=E[Y_0|X=x] 用干预组的模型预测不干预的数据,用不干预的模型预测干预的数据得到D^1=Y^1-\mu_0(X^1),D^0=\mu_1(X^0)-Y_0相当于去预测被干预的人,如果不被干预购买的概率;以及未被干预的人,如果施...
S/X-Learner是一种基于强化学习的算法,用于在线广告的智能自动投放。其包含两个组成部分: S-Learner: 评估每个广告的预期点击率(CTR) X-Learner: 评估每个广告的真实商业价值 1.2 从强化学习角度理解# S/X-Learner是一种基于强化学习的off-policy评估算法,用于在强化学习问题中对评估值函数进行更准确的估计。其主...
S-learner是将treatment作为特征,干预组和非干预组一起训练,解决了bias不一致的问题,但是如果本身X的high dimension可能会导致treatment丢失效果: 【优点】S-Learner简单直观、直接使用既有预测算法;预测仅依赖一个模型,避免了多模型的误差累积;更多的数据和特征工程对预测准确率有利。
单模型(Single Model, S-Learner)则试图在单一模型中同时考虑干预和非干预的影响，公式为：[公式]X-Learner结合了上述两种方法，通过交叉验证估计每个个体的Uplift效果。其公式如下：[公式] [公式] [公式] [公式]接下来是Uplift树模型，如Uplift树、CTS（Conditional Treatment Selection）、因果森林和广义...
X-Learner是对T-Learner和S-Learner进行了融合,这里以单Treatment为例,具体步骤如下: 分别对实验组和对照组进行建模得到模型,(同T-Learner) 计算实际产出和预估产出之间的差,得到推算治疗效应。 实验组推算治疗效应: 对照组推算治疗效应: 使用作为特征,作为标签建立对照组模型;使用作为特征,作为标签建立实验组模型.此...
⼀、Uplift 模型 因果推断在互联⽹界应⽤主要是基于Uplift model来预测额外收益提升ROI。Uplift模型帮助商家计算⼈群营销敏感度，驱动收益模拟预算和投放策略制定，促成营销推⼴效率的最⼤化。同时如何衡量和预测营销⼲预带来的“增量提升”，⽽不是把营销预算浪费在“本来就会转化”的那部分⼈⾝上，...
1.1 双模型(Two Model, T-Learner) 1.2 单模型(Single Model, S-Learner) 1.3 X-Learner模型 2. Uplift树模型 2.1 CTS算法 2.2 因果森林 2.3 广义随机森林(GRF) ...