Kejuaraan Antarmodel Uplift: Menguji S-learner, T-learner, X-learner, dan Causal Forest pada Data Sintetis dan Semi-Sintetis dengan Metrik PEHE

Artikel yang ditulis oleh Grigory Kryukov, analis di tim kepercayaan dan keamanan Avito, menyajikan sebuah kejuaraan di antara empat model uplift: S-learner, T-learner, X-learner, dan Causal Forest. Menggunakan analogi Piala Dunia sepak bola, penulis menjelaskan arsitektur masing-masing model: S-learner melatih satu model dengan perlakuan sebagai fitur; T-learner melatih model terpisah untuk grup perlakuan dan kontrol; X-learner menambahkan tahap kedua berupa efek semu dan model kecenderungan; Causal Forest mengadaptasi random forest untuk secara langsung mengoptimalkan efek pengobatan heterogen. Turnamen ini menggunakan data sintetis (di mana efek pengobatan individual sebenarnya diketahui) dan data semi-sintetis untuk mengukur kualitas model melalui metrik PEHE. Babak grup mempertemukan model satu sama lain pada data sintetis, diikuti oleh babak gugur. Artikel diakhiri dengan hasil: Causal Forest memenangkan kejuaraan, menjadi yang paling kokoh di berbagai skenario, sementara X-learner menunjukkan kekuatan pada tugas non-linear tetapi rumit. Kode lengkap disediakan di GitHub.