Комментарии 5
Спасибо за статью! Качество и доступность изложения на высшем уровне.
Появилась мысль корректировки модели трансформации классов:
1. Построить две независимые модели по treatment и control
2. Сделать предсказания из treatment в control и наоборот
3. Посчитать остатки в treatment и control
4. Объединить treatment и control, целевая переменная остатки из условия (Yt-Pc) & (Pt-Yc) будет принадлежать отрезку [-1,+1]
5. К целевой переменной прибавить 1 и поделить на 2
6. На этом построить новую модель uplift
Такое кто-то делает?
1. Построить две независимые модели по treatment и control
2. Сделать предсказания из treatment в control и наоборот
3. Посчитать остатки в treatment и control
4. Объединить treatment и control, целевая переменная остатки из условия (Yt-Pc) & (Pt-Yc) будет принадлежать отрезку [-1,+1]
5. К целевой переменной прибавить 1 и поделить на 2
6. На этом построить новую модель uplift
Такое кто-то делает?
А что имеете в виду под термином «остатки» из п.3?
1. Для данных treatment = Y наблюдаемое — Прогноз по модели control
2. Для данных control = Прогноз модели treatment — Y наблюдаемое
2. Для данных control = Прогноз модели treatment — Y наблюдаемое
Первые 3 шага похожи на начало алгоритма про две зависимые модели с перекрестной зависимостью из части 1 (его еще можно найти под названием X-learner в статье Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning, Soren R. Kunzel et al).
На таргетах, полученных после шага 3 обучаются две новые модели (отдельно для treatment и для control) и уже их взвешенные предсказания на новых данных будут оценкой uplift.
На таргетах, полученных после шага 3 обучаются две новые модели (отдельно для treatment и для control) и уже их взвешенные предсказания на новых данных будут оценкой uplift.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Туториал по Uplift моделированию. Часть 2