업리프트 모델 간 챔피언십: PEHE 지표로 합성 및 반합성 데이터에서 S-learner, T-learner, X-learner 및 Causal Forest 테스트
Avito의 한 분석가가 합성 및 반합성 데이터에서 인기 있는 네 가지 업리프트 모델(S-learner, T-learner, X-learner, Causal Forest)을 PEHE 지표를 사용하여 비교하는 토너먼트를 진행했습니다. 기사는 축구 테마의 비유를 통해 모델의 아키텍처, 강점 및 약점을 설명하며, 조별 예선과 녹아웃 브래킷으로 마무리됩니다. 코드는 재현을 위해 GitHub에서 제공됩니다.
이 글은 Avito 신뢰 및 안전 팀의 분석가인 Grigory Kryukov가 작성한 것으로, S-learner, T-learner, X-learner 및 Causal Forest의 네 가지 업리프트 모델 간의 챔피언십을 다루고 있습니다. 축구 월드컵에 비유하여 각 모델의 구조를 설명합니다. S-learner는 처리를 특징으로 포함한 단일 모델을 훈련하고, T-learner는 처리군과 대조군에 대해 별도의 모델을 훈련하며, X-learner는 두 번째 단계에서 의사 효과와 성향 모델을 추가합니다. Causal Forest는 랜덤 포레스트를 적응시켜 이질적 처리 효과를 직접 최적화합니다. 이 토너먼트는 합성 데이터(개별 처리 효과를 알 수 있는)와 반합성 데이터를 사용하며, PEHE 지표를 통해 모델 품질을 측정합니다. 조별 리그에서는 합성 데이터를 기반으로 모델들이 경쟁하고, 이후 녹아웃 스테이지가 진행됩니다. 결론적으로 Causal Forest가 가장 다양한 시나리오에서 견고하여 챔피언십을 차지했으며, X-learner는 비선형 작업에서 강점을 보이나 복잡성이 있습니다. 전체 코드는 GitHub에서 제공됩니다.
출처: Habr — хаб ML —
원문