模型系列:增益模型Uplift Modeling原理和案例

模型系列:增益模型Uplift Modeling原理和案例模型系列 增益模型 Uplift Modeling 原理和案例 目录 1 简介 1 第一步 2 指标 3 元学习器 3 1 S 学习器 3 2 T 学习器 3 3 T 学习器相关模型 简介 Uplift 是一种用于用户级别的治疗增量效应估计的预测建模技术 每家公司都希望增加自己的利润

大家好,我是讯享网,很高兴认识大家。

模型系列:增益模型Uplift Modeling原理和案例

目录

  • 1. 简介
  • 1. 第一步
  • 2. 指标
  • 3. 元学习器
    • 3.1 S-学习器
    • 3.2 T-学习器
    • 3.3 T-学习器相关模型

简介

Uplift是一种用于用户级别的治疗增量效应估计的预测建模技术。每家公司都希望增加自己的利润,而其中一个选择是激励客户购买/点击/消费或识别理想的客户。


讯享网

1. 类似模型 Look-alike model

基本情况是使用类似建模。我们可以通过与具有相同特征的先前客户进行比较来了解客户的行为,例如年龄、教育(我们对他们了解的内容以及他们愿意透露的内容)。这种方法需要我们的消费者数据和完成的操作以及一些随机数据,例如在我们的商店中没有购买任何东西但在其他商店中购买了东西的客户的数据。使用这种方法和机器学习,我们试图在新数据中找到与我们类似的客户,他们将成为我们促销的主要目标。

2. 响应模型 Response model

响应建模评估可能在治疗后完成行动的客户。因此,我们收集了治疗(沟通)后的数据,并知道积极和消极的观察结果。有些人购买了我们的产品,其他人没有。使用这些数据和机器学习,我们试图获得客户在治疗后完成所需行动的概率。

3. Uplift建模 Uplift model

最后但并非最不重要的是增益模型。与响应模型相比,增益模型评估沟通(治疗)的净效应,并尝试仅选择在治疗后才完成行动的客户。这组模型估计了具有沟通(治疗)和没有治疗的客户之间行为差异。我们将详细介绍这些模型。

首先,我们将行动表示为 Y(1 - 行动,0 - 无行动),治疗表示为 W(1 - 治疗,0 - 无治疗)

我们可以将客户分为4个具有相同行为的群体:

🤷 将采取行动 - 这群人无论如何都会采取行动(Y=1, W=1和Y=1, W=0)

🙋 可说服的 - 这群人只有在治疗后才会采取行动(Y=1, W=1和Y=0, W=0)

🙅 不要打扰 - 这群人会在没有治疗的情况下执行某个行动,但在治疗后可能会结束(Y=1, W=0和Y=0, W=1)

🤦 永远不会回应 - 这群人不在乎治疗(Y=0, W=1和Y=0, W=0)

对于客户来说,因果效应是其在有治疗和无治疗情况下结果的差异:

$ \tau_i = Y^1_i - Y^0_i $

对于更有趣的目的,对于客户群体来说,因果效应是有治疗和无治疗情况下该群体预期结果的差异 - CATE(条件平均处理效应):

$ CATE = E[Y^1_i|X_i] - E[Y^0_i|X_i] $

然而,我们不能同时观察这两种情况,只能在不同的宇宙中。这就是为什么我们只能估计 C A T E ^ \widehat{CATE} CATE 像往常一样:

$ \widehat{CATE} (uplift) = E[Y_i|X_i = x, W_i = 1] - E[Y_i|X_i = x, W_i = 0] $,其中 $ Y^1_i = Y_i = Y^1_i if W_i = 1$ and Y i 0 Y^0_i Yi0​ where $W_i = 0 $

注意! W i W_i Wi​ 应该在给定 X i X_i Xi​ 的条件下与 Y i 1 Y^1_i Yi1​ 和 Y i 0 Y^0_i Yi0​ 独立。

有两种类型的增益模型:

  1. 元学习器 - 转换问题并使用经典的机器学习模型
  2. 直接增益模型 - 直接预测增益的算法。

1. 初步步骤

返回目录

 import numpy as np import pandas as pd from matplotlib import pyplot as plt from tqdm.notebook import tqdm import seaborn as sns from statsmodels.graphics.gofplots import plot !pip install scikit-uplift -q from sklift.metrics import uplift_at_k, uplift_auc_score, qini_auc_score, weighted_average_uplift from sklift.viz import plot_uplift_preds from sklift.models import SoloModel, TwoModels import xgboost as xgb 

讯享网
讯享网[33mWARNING: Running pip as the 'root' user can result in broken permissions and conflicting behaviour with the system package manager. It is recommended to use a virtual environment instead: https://pip.pypa.io/warnings/venv[0m 
 # 读取csv文件,并将其存储在train变量中 train = pd.read_csv('../input/megafon-uplift-competition/train (1).csv') 

我们看到了许多隐藏的特征X_1-X_50,二元处理(以对象格式)和二元转换

讯享网 # 查看训练数据的前几行 train.head() 
小讯
上一篇 2025-02-09 21:44
下一篇 2025-03-12 17:34

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/79776.html