Campeonato de Modelos de Uplift: Probando S-learner, T-learner, X-learner y Causal Forest en Datos Sintéticos y Semi-Sintéticos con la Métrica PEHE

El analista de Avito Grisha Kryukov organizó un campeonato entre cuatro modelos de uplift —S-learner, T-learner, X-learner y Causal Forest— para evaluar los efectos individuales (uplift). Todos los modelos emplearon gradient boosting con configuraciones predeterminadas. El torneo incluyó una fase grupal con datos sintéticos, donde el efecto real se conoce por construcción, y datos semisintéticos para aproximarse a problemas reales. La calidad se midió con la métrica PEHE (Precision in Estimation of Heterogeneous Effect), que permite calcular con precisión el error de predicción del efecto causal individual. S-learner entrena un único modelo con todos los datos usando el flag de tratamiento como característica. T-learner construye dos modelos separados para los grupos con y sin tratamiento. X-learner usa además pseudoefectos y un modelo de propensión para ponderar. Causal Forest es un conjunto de árboles que optimizan los splits para maximizar las diferencias en el efecto del tratamiento. En el artículo también se discuten las fortalezas y debilidades de cada arquitectura, incluyendo la sensibilidad al desbalance y la complejidad computacional.