Python用机器学习算法进行因果推断与增量、增益模型Uplift Modeling智能营销模型|附代码数据
2023-06-13 09:18:51 时间
原文链接:http://tecdat.cn/?p=27058
最近我们被客户要求撰写关于因果推断与增量的研究报告,包括一些图形和统计输出。
使用 ML 进行提升建模和因果推理
Python 包提供了一套使用基于最近研究的机器学习算法的提升建模和因果推理方法。允许用户根据实验或观察数据估计条件平均处理效果 (CATE) 或个体处理效果 (ITE)。本质上,它估计了干预 对 具有观察特征的用户的 T
结果 的因果影响,而对模型形式没有强烈的假设。典型用例包括
- 广告活动定位优化:
- 在广告活动中提高投资回报率的一个重要手段是将广告定位到在给定 KPI(如参与度或销售量)中会有良好反应的客户群。通过根据 A/B 实验或历史观察数据在个人层面估计广告曝光的 KPI 影响来识别这些客户。
- 个性化参与:
- 公司有多种选择与客户互动,例如在追加销售或消息渠道中的不同产品选择。可以估计每个客户和处理选项组合的异质处理效果,以获得最佳的个性化推荐系统。
目前支持以下方法
- 基于树的算法
- 欧几里得距离和卡方上的随机森林
- 提升树/随机森林
- 元学习算法
- S学习
- T学习
- X学习
- R学习
- 工具变量算法
- 2 阶段最小二乘法 (2SLS)
开始
S、T、X 和 R 学习的平均处理效果估计
xg = XGBTRrssor()nn = MLPTReesor(hidenlayer_izes=(10, 10))xl = BaeXegrsor(lernr=XGBeresor())rl = BaeRReresor(lerner=XRegrssor())
可解释的因果机器学习
提供了解释如下训练的处理效果模型的方法:
元学习特征的重要性
# 加载合成数据np.array(['treaet_A' if x==1 else 'cotol' for x in trtent]) # 处理/控制名称RnFostRgesor() # 为model_tau_feature指定模# 在基础学习器中使用feature_importances_方法plot_ipornce()# 绘制shap值pot_shp_ues()# interaction_idx设置为'auto'ploshp_dpedece()
02
03
04
提升树可视化
uplit_del.fit(df[fars].values,
trtnt=df['trtme_rop_ey'].values,
y=df['cvesin'].values)
相关文章
- 快速入门Python机器学习(30)
- 快速入门Python机器学习(31)
- 入门Python,看完这篇就行了!
- python win32api messagebox_如何在Python中使用Win32 API?
- Python概述
- 剑指offer:Python 二进制中1的个数 &0xffffffff是什么意思?
- python whl文件安装_python whl文件怎么安装
- Python入门系列(八)日期时间、数学、json
- python psutil 获取命令历史_python之psutil
- python hashlib_Python hashlib模块实例使用详解
- python chmod_使Python脚本可执行chmod755?
- python lambda表达式_python表达式是什么
- 【测试开发】python系列教程: 变量和多变量赋值
- 5个节约生命的python小技巧
- 【Python深度学习之路】-1 机器学习概论
- Python之异常/模块/包
- python做微信回复机器人_Python自动化脚本
- 最佳的图像处理工具python扩展库
- 【干货书】时间序列算法导论:使用Python实现机器学习和深度学习技术
- python-Python与PostgreSQL数据库-PostgreSQL数据库的基本知识(一)
- python获得本机机器名详解编程语言
- 运维学python之爬虫实战篇(一)爬取百度贴吧
- 用Python仿写MSSQL 编程体验更有趣(python仿mssql)
- python编程-将Python程序转化为可执行程序[整理]
- python实现百度关键词排名查询
- Python中的生成器和yield详细介绍