Чемпионат среди uplift-моделей: тестирование S-learner, T-learner, X-learner и Causal Forest на синтетических и полусинтетических данных с метрикой PEHE
Аналитик Авито Гриша Крюков провёл сравнение четырёх популярных uplift-моделей: S-learner, T-learner, X-learner и Causal Forest. В турнире использовались синтетические и полусинтетические данные, качество оценивалось метрикой PEHE. Подробно разобраны архитектуры моделей и результаты группового этапа.
Аналитик Авито Гриша Крюков организовал чемпионат среди четырёх uplift-моделей — S-learner, T-learner, X-learner и Causal Forest — для оценки индивидуальных эффектов (uplift). Все модели использовали градиентный бустинг с дефолтными настройками. Турнир включал групповой этап на синтетических данных, где истинный эффект известен по построению, и полусинтетические данные для приближения к реальным
Показать ещё ↓
- Сокращения
- PEHE = Precision in Estimation of Heterogeneous Effect — точность оценки гетерогенного эффекта
- RMSE = Root Mean Squared Error — среднеквадратичная ошибка
- ML = Machine Learning — машинное обучение
Источник: Habr — хаб ML —
оригинал