模型系列：增益模型Uplift Modeling原理和案例

模型系列：增益模型Uplift Modeling原理和案例

目录

  • 1. 简介
  • 1. 第一步
  • 2. 指标
  • 3. 元学习器
    • 3.1 S-学习器
    • 3.2 T-学习器
    • 3.3 T-学习器相关模型

简介

Uplift是一种用于用户级别的治疗增量效应估计的预测建模技术。每家公司都希望增加自己的利润，而其中一个选择是激励客户购买/点击/消费或识别理想的客户。

1. 类似模型 Look-alike model

基本情况是使用类似建模。我们可以通过与具有相同特征的先前客户进行比较来了解客户的行为，例如年龄、教育（我们对他们了解的内容以及他们愿意透露的内容）。这种方法需要我们的消费者数据和完成的操作以及一些随机数据，例如在我们的商店中没有购买任何东西但在其他商店中购买了东西的客户的数据。使用这种方法和机器学习，我们试图在新数据中找到与我们类似的客户，他们将成为我们促销的主要目标。

2. 响应模型 Response model

响应建模评估可能在治疗后完成行动的客户。因此，我们收集了治疗（沟通）后的数据，并知道积极和消极的观察结果。有些人购买了我们的产品，其他人没有。使用这些数据和机器学习，我们试图获得客户在治疗后完成所需行动的概率。

3. Uplift建模 Uplift model

最后但并非最不重要的是增益模型。与响应模型相比，增益模型评估沟通（治疗）的净效应，并尝试仅选择在治疗后才完成行动的客户。这组模型估计了具有沟通（治疗）和没有治疗的客户之间行为差异。我们将详细介绍这些模型。

首先，我们将行动表示为 Y（1 - 行动，0 - 无行动），治疗表示为 W（1 - 治疗，0 - 无治疗）

我们可以将客户分为4个具有相同行为的群体：

🤷 将采取行动 - 这群人无论如何都会采取行动（Y=1, W=1和Y=1, W=0）

🙋 可说服的 - 这群人只有在治疗后才会采取行动（Y=1, W=1和Y=0, W=0）

🙅 不要打扰 - 这群人会在没有治疗的情况下执行某个行动，但在治疗后可能会结束（Y=1, W=0和Y=0, W=1）

🤦 永远不会回应 - 这群人不在乎治疗（Y=0, W=1和Y=0, W=0）

对于客户来说，因果效应是其在有治疗和无治疗情况下结果的差异：

$ \tau_i = Y^1_i - Y^0_i $

对于更有趣的目的，对于客户群体来说，因果效应是有治疗和无治疗情况下该群体预期结果的差异 - CATE（条件平均处理效应）：

$ CATE = E[Y^1_i|X_i] - E[Y^0_i|X_i] $

然而，我们不能同时观察这两种情况，只能在不同的宇宙中。这就是为什么我们只能估计 C A T E ^ \widehat{CATE} CATE 像往常一样：

$ \widehat{CATE} (uplift) = E[Y_i|X_i = x, W_i = 1] - E[Y_i|X_i = x, W_i = 0] $，其中 $ Y^1_i = Y_i = Y^1_i if W_i = 1$ and Y i 0 Y^0_i Yi0​ where $W_i = 0 $

注意！ W i W_i Wi​ 应该在给定 X i X_i Xi​ 的条件下与 Y i 1 Y^1_i Yi1​ 和 Y i 0 Y^0_i Yi0​ 独立。

有两种类型的增益模型：

  1. 元学习器 - 转换问题并使用经典的机器学习模型

  2. 直接增益模型 - 直接预测增益的算法。

1. 初步步骤

返回目录


import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from tqdm.notebook import tqdm
import seaborn as sns
from statsmodels.graphics.gofplots import qqplot
!pip install scikit-uplift -q
from sklift.metrics import uplift_at_k, uplift_auc_score, qini_auc_score, weighted_average_uplift
from sklift.viz import plot_uplift_preds
from sklift.models import SoloModel, TwoModels
import xgboost as xgb
[33mWARNING: Running pip as the 'root' user can result in broken permissions and conflicting behaviour with the system package manager. It is recommended to use a virtual environment instead: https://pip.pypa.io/warnings/venv[0m

# 读取csv文件，并将其存储在train变量中
train = pd.read_csv('../input/megafon-uplift-competition/train (1).csv')

我们看到了许多隐藏的特征X_1-X_50，二元处理（以对象格式）和二元转换

# 查看训练数据的前几行
train.head()
idtreatment_groupX_1X_2X_3X_4X_5X_6X_7X_8...X_42X_43X_44X_45X_46X_47X_48X_49X_50conversion
00control39.396577-0.18654819.52450521.25020855.291264182.966712-5.385606144.573379...134.363458-213.584582-2.092461-93.973258-0.155597-312.13073344.798182-125.68241316.2313650
11control38.9876940.819522-42.064512-48.270949-33.171257179.459341-87.151810-162.693257...72.864779559.7835841.14239180.037124-1.216185-111.473936-127.737977-117.50117110.7322340
22treatment-16.6930931.844558-8.615192-18.818740-22.271188-116.290369-63.816746-38.340763...2.48024296.9985041.100962-33.2751590.920926-679.492242-91.009397-18.17335814.3676360
33treatment-72.040154-0.22692139.80260716.441262-1.11250968.12800823.0731474.688858...83.951551-323.642557-0.36918293.221948-1.962380-442.466684-22.298302-75.91660311.6342990
44treatment18.2969730.99643724.465307-34.15197124.623458-155.455558-12.15978726.705778...-208.531112118.902324-0.808578-117.4979061.770635627.395611122.019189194.091195-11.8838580

5 rows × 53 columns

# 对训练数据集进行信息描述
train.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 600000 entries, 0 to 599999
Data columns (total 53 columns):#   Column           Non-Null Count   Dtype  
---  ------           --------------   -----  0   id               600000 non-null  int64  1   treatment_group  600000 non-null  object 2   X_1              600000 non-null  float643   X_2              600000 non-null  float644   X_3              600000 non-null  float645   X_4              600000 non-null  float646   X_5              600000 non-null  float647   X_6              600000 non-null  float648   X_7              600000 non-null  float649   X_8              600000 non-null  float6410  X_9              600000 non-null  float6411  X_10             600000 non-null  float6412  X_11             600000 non-null  float6413  X_12             600000 non-null  float6414  X_13             600000 non-null  float6415  X_14             600000 non-null  float6416  X_15             600000 non-null  float6417  X_16             600000 non-null  float6418  X_17             600000 non-null  float6419  X_18             600000 non-null  float6420  X_19             600000 non-null  float6421  X_20             600000 non-null  float6422  X_21             600000 non-null  float6423  X_22             600000 non-null  float6424  X_23             600000 non-null  float6425  X_24             600000 non-null  float6426  X_25             600000 non-null  float6427  X_26             600000 non-null  float6428  X_27             600000 non-null  float6429  X_28             600000 non-null  float6430  X_29             600000 non-null  float6431  X_30             600000 non-null  float6432  X_31             600000 non-null  float6433  X_32             600000 non-null  float6434  X_33             600000 non-null  float6435  X_34             600000 non-null  float6436  X_35             600000 non-null  float6437  X_36             600000 non-null  float6438  X_37             600000 non-null  float6439  X_38             600000 non-null  float6440  X_39             600000 non-null  float6441  X_40             600000 non-null  float6442  X_41             600000 non-null  float6443  X_42             600000 non-null  float6444  X_43             600000 non-null  float6445  X_44             600000 non-null  float6446  X_45             600000 non-null  float6447  X_46             600000 non-null  float6448  X_47             600000 non-null  float6449  X_48             600000 non-null  float6450  X_49             600000 non-null  float6451  X_50             600000 non-null  float6452  conversion       600000 non-null  int64  
dtypes: float64(50), int64(2), object(1)
memory usage: 242.6+ MB

特征没有标准化或归一化

# 使用describe()函数对训练数据集进行描述性统计分析
train.describe()
idX_1X_2X_3X_4X_5X_6X_7X_8X_9...X_42X_43X_44X_45X_46X_47X_48X_49X_50conversion
count600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000...600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000600000.000000
mean299999.500000-3.7585030.0004050.356208-1.0043783.376919-6.396371-2.253712-6.432606-0.061507...-6.6328348.4544930.0012960.007967-0.000966-22.259600-5.7590416.241130-1.1764560.204190
std173205.22509454.8818820.99941931.80412345.29142953.397644140.87373459.81039674.84085744.912292...137.025868262.8401941.00036871.5537130.999902500.900364130.952113141.21199921.3636620.403109
min0.000000-271.659497-4.372119-148.870768-244.446728-302.574049-683.126343-322.731683-506.202937-218.466369...-633.575178-1345.838757-4.756720-360.713742-4.516004-2506.960013-687.526201-702.184241-98.0943230.000000
25%149999.750000-40.693313-0.673108-20.758308-30.644608-31.865404-100.762161-42.313674-54.840796-30.327330...-99.033996-167.634846-0.673780-48.250836-0.675549-357.547278-93.163915-88.803657-15.5806880.000000
50%299999.500000-3.9547710.0009150.372583-0.5853683.720738-6.357443-2.263690-6.416419-0.103742...-6.7847608.7732800.0016390.045537-0.002251-20.695017-5.7746276.286783-1.1998950.000000
75%449999.25000033.1748350.67305621.49553029.02786038.98894088.15951437.70978041.96276730.144501...85.621324185.3823700.67577948.2217330.673638313.29574881.636824101.55800713.2304100.000000
max599999.000000250.8122805.062006170.053291235.095937284.915947656.482242293.909622550.525780219.628423...689.6262081488.7594544.727996384.6653485.0863042534.503855595.321844630.727101112.2332931.000000

8 rows × 52 columns

然而，很有可能这些特征已经被清除。每个特征分布看起来都很正常。

# 给代码添加中文注释# 设置行数和列数
rows, cols = 10, 5# 创建一个包含多个子图的图形对象，并设置图形的大小
f, axs = plt.subplots(nrows=rows, ncols=cols, figsize=(20, 25))# 设置图形的背景颜色为白色
f.set_facecolor("#fff")# 设置特征数量为1
n_feat = 1# 遍历每一行
for row in tqdm(range(rows)):# 遍历每一列for col in range(cols):try:# 绘制核密度估计图，并设置填充、透明度、线宽、边缘颜色等参数sns.kdeplot(x=f'X_{n_feat}', fill=True, alpha=1, linewidth=3, edgecolor="#264653", data=train, ax=axs[row, col], color='w')# 设置子图的背景颜色为深绿色，并设置透明度axs[row, col].patch.set_facecolor("#619b8a")axs[row, col].patch.set_alpha(0.8)# 设置子图的网格颜色和透明度axs[row, col].grid(color="#264653", alpha=1, axis="both")except IndexError: # 隐藏最后一个空图axs[row, col].set_visible(False)# 特征数量加1n_feat += 1# 显示图形
f.show()

  0%|          | 0/10 [00:00<?, ?it/s]

只是为了确保，请看qq图。

# 设置子图的行数和列数
rows, cols = 10, 5# 创建一个包含子图的图像对象
f, axs = plt.subplots(nrows=rows, ncols=cols, figsize=(20, 25))# 设置图像的背景颜色为白色
f.set_facecolor("#fff")# 设置特征数量为1
n_feat = 1# 遍历每一行
for row in tqdm(range(rows)):# 遍历每一列for col in range(cols):try:# 绘制核密度估计图# sns.kdeplot(x=f'X_{n_feat}', fill=True, alpha=1, linewidth=3, #             edgecolor="#264653", data=train, ax=axs[row, col], color='w')# 绘制QQ图qqplot(train[f'X_{n_feat}'], ax=axs[row, col], line='q')# 设置网格线的颜色为深绿色axs[row, col].grid(color="#264653", alpha=1, axis="both")# 如果索引超出范围，则隐藏最后一个空图except IndexError:axs[row, col].set_visible(False)# 特征数量加1n_feat += 1# 显示图像
f.show()

  0%|          | 0/10 [00:00<?, ?it/s]

接下来让我们集中精力进行建模。

2. 指标

由于我们在研究之前没有Uplift，我们不能使用经典的Meta-Learners指标。然而，我们需要比较模型并了解它们的准确性。

1. Uplift@k
我们所需要做的就是对值进行排序（降序），并计算治疗组和对照组中目标变量（Y）的平均差异：
U p l i f t @ k = m e a n ( Y t r e a t m e n t @ k ) − m e a n ( Y c o n t r o l @ k ) Uplift@k = mean(Y^{treatment}@k) - mean(Y^{control}@k) Uplift@k=mean(Ytreatment@k)−mean(Ycontrol@k)
Y @ k Y@k Y@k - 前k%的目标变量

2. 按百分位数（十分位数）计算Uplift
相同的方法，但这里我们分别计算每个十分位数的差异
使用按百分位数计算的Uplift，我们可以计算加权平均Uplift：
加权平均Uplift$ = \frac{N^T_i * uplift_i}{\sum{N^T_i}} $
N i T N^T_i NiT​ - i百分位数中治疗组的大小

3. Uplift曲线和AUUC
Uplift曲线是一个依赖于对象数量的累积Uplift函数：
uplift curve i = ( Y t T N t T − Y t C N t C ) ( N t T + N t C ) \text{uplift curve}_i = (\frac{Y^T_t}{N^T_t}-\frac{Y^C_t}{N^C_t}) (N^T_t + N^C_t) uplift curvei​=(NtT​YtT​​−NtC​YtC​​)(NtT​+NtC​)
其中  t − 累积对象数量 , N − T和C组的大小 \text{其中 } t - \text{累积对象数量}, N - \text{T和C组的大小} 其中 t−累积对象数量,N−T和C组的大小

AUUC - Unplift曲线下的面积是随机Uplift曲线和模型曲线之间的面积，通过理想Uplift曲线下的面积进行归一化

4. Qini曲线和AUQC
Qini曲线是另一种累积函数的方法：
qini curve i = Y t T − Y t C N t T N t C \text{qini curve}_i = Y^T_t-\frac{Y^C_tN^T_t}{N^C_t} qini curvei​=YtT​−NtC​YtC​NtT​​

AUQC或Qini系数 - Qini曲线下的面积是随机Qini曲线和模型曲线之间的面积，通过理想Qini曲线下的面积进行归一化

train.columns

Index(['id', 'treatment_group', 'X_1', 'X_2', 'X_3', 'X_4', 'X_5', 'X_6','X_7', 'X_8', 'X_9', 'X_10', 'X_11', 'X_12', 'X_13', 'X_14', 'X_15','X_16', 'X_17', 'X_18', 'X_19', 'X_20', 'X_21', 'X_22', 'X_23', 'X_24','X_25', 'X_26', 'X_27', 'X_28', 'X_29', 'X_30', 'X_31', 'X_32', 'X_33','X_34', 'X_35', 'X_36', 'X_37', 'X_38', 'X_39', 'X_40', 'X_41', 'X_42','X_43', 'X_44', 'X_45', 'X_46', 'X_47', 'X_48', 'X_49', 'X_50','conversion'],dtype='object')

# 获取'treatment_group'列的唯一值
train['treatment_group'].unique()
array(['control', 'treatment'], dtype=object)

# 将'treatment_group'列中的值转换为0或1，如果值为'treatment'则转换为1，否则转换为0
train['treatment_group'] = train['treatment_group'].apply(lambda x: 1 if x=='treatment' else 0)

# 从sklearn库中导入train_test_split函数
from sklearn.model_selection import train_test_split# 将train数据集的前100000行赋值给train变量
train = train[:100000]# 从train数据集中选取名为'X_i'的特征列，其中i的取值范围为1到50，并将结果赋值给X变量
X = train[[f'X_{i}' for i in range(1, 51)]]# 从train数据集中选取名为'treatment_group'的特征列，并将结果赋值给treatment变量
treatment = train['treatment_group']# 从train数据集中选取名为'conversion'的特征列，并将结果赋值给y变量
y = train['conversion']# 使用train_test_split函数将X、y和treatment按照指定的比例划分为训练集和验证集，并将划分结果分别赋值给X_train、X_val、y_train、y_val、treatment_train和treatment_val变量
X_train, X_val, y_train, y_val, treatment_train, treatment_val = train_test_split(X, y, treatment, test_size=0.2)

3. 元学习者

3.1 S-Learner

3.1 S-学习者

返回目录

S-learner的主要思想是使用特征、二进制处理（W）和二进制目标动作（Y）训练一个模型。然后使用常数W=1和W=0对测试数据进行预测。差异即为提升效果。

好消息是我们可以使用经典的机器学习分类器！让我们使用xgboost来做吧。你也可以尝试其他分类器并比较结果。

# 定义一个函数get_metrics，接受三个参数y_val, uplift, treatment_val
def get_metrics(y_val, uplift, treatment_val):# 计算指标# 计算前30%的提升值。按照组别排序控制组和处理组。整体排序。upliftk = uplift_at_k(y_true=y_val, uplift=uplift, treatment=treatment_val, strategy='by_group', k=0.3)upliftk_all = uplift_at_k(y_true=y_val, uplift=uplift, treatment=treatment_val, strategy='overall', k=0.3)# 计算Qini系数qini_coef = qini_auc_score(y_true=y_val, uplift=uplift, treatment=treatment_val)# 默认策略 - 整体排序# 计算提升曲线下面积uplift_auc = uplift_auc_score(y_true=y_val, uplift=uplift, treatment=treatment_val)# 计算加权平均提升值wau = weighted_average_uplift(y_true=y_val, uplift=uplift, treatment=treatment_val, strategy='by_group')wau_all = weighted_average_uplift(y_true=y_val, uplift=uplift, treatment=treatment_val)# 打印结果print(f'uplift at top 30% by group: {upliftk:.2f} by overall: {upliftk_all:.2f}\n',f'Weighted average uplift by group: {wau:.2f} by overall: {wau_all:.2f}\n',f'AUUC by group: {uplift_auc:.2f}\n',f'AUQC by group: {qini_coef:.2f}\n')# 返回一个包含指标结果的字典return {'uplift@30': upliftk, 'uplift@30_all': upliftk_all, 'AUQC': qini_coef, 'AUUC': uplift_auc, 'WAU': wau, 'WAU_all': wau_all}

# 创建一个XGBoost分类器模型，设置随机种子为42，目标函数为二元逻辑回归，禁用标签编码
xgb_sm = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)# 创建一个SoloModel对象，使用上面创建的XGBoost分类器模型作为估计器
sm = SoloModel(estimator=xgb_sm)# 使用训练数据集X_train、y_train和treatment_train来拟合SoloModel模型
sm = sm.fit(X_train, y_train, treatment_train, estimator_fit_params={})# 使用拟合好的SoloModel模型对验证数据集X_val进行预测
uplift_sm = sm.predict(X_val)# 使用get_metrics函数计算验证数据集的评估指标，包括y_val、uplift_sm和treatment_val
res = get_metrics(y_val, uplift_sm, treatment_val)

[12:14:57] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
uplift at top 30% by group: 0.18 by overall: 0.18Weighted average uplift by group: 0.04 by overall: 0.04AUUC by group: 0.15AUQC by group: 0.21

3.2 T-Learner

3.2 T学习器

跳转到目录

T-learner的主要思想是训练两个独立的模型：一个基于治疗后的观察数据（T），另一个基于对照组数据（C）。提升效果是模型T和模型C在数据上的预测差异。

# 初始化两个xgboost分类器，分别用于处理treatment组和control组
xgb_T = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)
xgb_C = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)# 初始化TwoModels类，将treatment组和control组的分类器传入
sm = TwoModels(estimator_trmnt=xgb_T, estimator_ctrl=xgb_C)# 使用训练数据拟合模型
sm = sm.fit(X_train, y_train, treatment_train, estimator_trmnt_fit_params={}, estimator_ctrl_fit_params={})# 对验证集进行预测
uplift_sm = sm.predict(X_val)# 计算模型的评估指标
res = get_metrics(y_val, uplift_sm, treatment_val)

[12:15:47] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
[12:16:11] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
uplift at top 30% by group: 0.17 by overall: 0.17Weighted average uplift by group: 0.04 by overall: 0.04AUUC by group: 0.13AUQC by group: 0.18

结果比S-learner稍差。

3.3 T-Learner依赖模型

T-learner与依赖模型的主要思想是使用相反模型的预测（概率）来训练T或C模型。
这种方法是从分类器链方法中采用的：https://scikit-learn.org/stable/auto_examples/multioutput/plot_classifier_chain_yeast.html

这种方法有两种可能的实现方式：基于C模型中的T-probs和基于T模型中的C-probs：

  1. u p l i f t i = P T ( x i , P C ( X ) ) − P C ( x i ) uplift_i = P^T(x_i, P^C(X)) - P^C(x_i) uplifti​=PT(xi​,PC(X))−PC(xi​)
  2. u p l i f t i = P T ( x i ) − P C ( x i , P T ( x i ) ) uplift_i = P^T(x_i) - P^C(x_i, P^T(x_i)) uplifti​=PT(xi​)−PC(xi​,PT(xi​))

第一种方法：


# 创建两个XGBClassifier对象，分别作为treatment模型和control模型
xgb_T = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)
xgb_C = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)# 创建TwoModels对象，将treatment模型和control模型传入，并指定方法为'ddr_control'
sm = TwoModels(estimator_trmnt=xgb_T, estimator_ctrl=xgb_C, method='ddr_control')# 使用训练数据拟合TwoModels对象
sm = sm.fit(X_train, y_train, treatment_train, estimator_trmnt_fit_params={}, estimator_ctrl_fit_params={})# 使用拟合好的TwoModels对象对验证数据进行预测
uplift_sm = sm.predict(X_val)# 使用预测结果和验证数据计算评估指标
res = get_metrics(y_val, uplift_sm, treatment_val)

[12:16:37] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
[12:17:02] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
uplift at top 30% by group: 0.17 by overall: 0.17Weighted average uplift by group: 0.04 by overall: 0.04AUUC by group: 0.12AUQC by group: 0.18

第二种方法：


# 创建两个XGBoost分类器，用于处理treatment组和control组
xgb_T = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)
xgb_C = xgb.XGBClassifier(random_state=42, objective='binary:logistic', use_label_encoder=False)# 创建TwoModels对象，使用xgb_T和xgb_C作为估计器，并选择ddr_treatment方法
sm = TwoModels(estimator_trmnt=xgb_T, estimator_ctrl=xgb_C, method='ddr_treatment')# 使用训练数据拟合TwoModels对象
sm = sm.fit(X_train, y_train, treatment_train, estimator_trmnt_fit_params={}, estimator_ctrl_fit_params={})# 对验证数据进行预测
uplift_sm = sm.predict(X_val)# 计算模型的评估指标
res = get_metrics(y_val, uplift_sm, treatment_val)

[12:17:27] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
[12:17:51] WARNING: ../src/learner.cc:1115: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'binary:logistic' was changed from 'error' to 'logloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
uplift at top 30% by group: 0.17 by overall: 0.17Weighted average uplift by group: 0.04 by overall: 0.04AUUC by group: 0.13AUQC by group: 0.19

参考资料：
https://www.uplift-modeling.com/en/latest/

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://xiahunao.cn/news/2660147.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

Python+OpenCV 零基础学习笔记(6):ROI

Python+OpenCV 零基础学习笔记(6):ROI

文章目录 相关链接运行环境前言ROI颜色区域分割颜色通道合并 相关链接 【2022B站最好的OpenCV课程推荐】OpenCV从入门到实战 全套课程 CSDN标题里个括号对应视频的分P OpenCVPython CSDN专栏 Gitee 项目地址 运行环境 Python:3.11.5Anaconda:23.7.4IDE:vscode运行环境&#x…
阅读更多...
链表:如何利用“假头，新指针，双指针”解决链表问题

链表:如何利用“假头，新指针，双指针”解决链表问题

Java学习面试指南&#xff1a;https://javaxiaobear.cn 链表是一种线性数据结构&#xff0c;其中的每个元素实际上是一个单独的对象&#xff0c;而所有对象都通过每个元素中的引用字段链接在一起。 链表是一种物理存储单元上非连续、非顺序的存储结构&#xff0c;其物理结构不能…
阅读更多...
深入浅出图解C#堆与栈 C# Heap(ing) VS Stack(ing) 第六节 理解垃圾回收GC，提搞程序性能

深入浅出图解C#堆与栈 C# Heap(ing) VS Stack(ing) 第六节 理解垃圾回收GC，提搞程序性能

深入浅出图解C#堆与栈 C# Heaping VS Stacking 第六节 理解垃圾回收GC&#xff0c;提搞程序性能 [深入浅出图解C#堆与栈 C# Heap(ing) VS Stack(ing) 第一节 理解堆与栈](https://mp.csdn.net/mdeditor/101021023)[深入浅出图解C#堆与栈 C# Heap(ing) VS Stack(ing) 第二节 栈基…
阅读更多...
【kubernetes】集群网络（一）：基础篇

【kubernetes】集群网络（一）：基础篇

Flannel 1 路由表 & arp & fdb 1.1 路由表 任何网络设备都需要路由表&#xff0c;路由表用来决定&#xff0c;当收到数据包时&#xff0c;该向哪里进行转发。路由表项通常会包含以下几个字段&#xff1a; Destination&#xff1a;目的地Gateway&#xff1a;网关Mas…
阅读更多...
12.27重构二叉树，插入排序，队列（股票，模拟），后缀表达式求值，括号匹配，验证栈序列，选择题部分

12.27重构二叉树，插入排序，队列（股票，模拟），后缀表达式求值，括号匹配，验证栈序列，选择题部分

重构二叉树 误 string in, post; struct node {char a;node* lchild, * rchild;node(char x\0) :a(x), lchild(nullptr), rchild(nullptr) {} }; void so(node* r, int il, int ir, int pl, int pr) {if (il > ir)return;int root;for (root il; root < ir; root) {if…
阅读更多...
[AI编程]AI辅助编程助手-亚马逊AI 编程助手 Amazon CodeWhisperer

[AI编程]AI辅助编程助手-亚马逊AI 编程助手 Amazon CodeWhisperer

亚马逊AI 编程助手 Amazon CodeWhisperer 是一种基于人工智能技术的编程辅助工具&#xff0c;旨在帮助开发人员更高效地编写代码。它可以提供实时的代码建议、自动补全和错误检查&#xff0c;帮助优化代码质量和提高编程效率。 Amazon CodeWhisperer 使用了自然语言处理和机器…
阅读更多...
OpenChat-3.5：70亿参数下的AI突破

OpenChat-3.5：70亿参数下的AI突破

引言 在对话AI的发展史上&#xff0c;OpenChat-3.5标志着一个新纪元的到来。拥有70亿参数的这一模型&#xff0c;不仅是对现有语言学习模型&#xff08;LLMs&#xff09;的重大改进&#xff0c;更是在多模态任务中树立了新的标准。 模型概述 OpenChat-3.5作为一款先进的多模…
阅读更多...
Leetcode—1572.矩阵对角线元素的和【简单】

Leetcode—1572.矩阵对角线元素的和【简单】

2023每日刷题&#xff08;七十三&#xff09; Leetcode—1572.矩阵对角线元素的和 实现代码 class Solution { public:int diagonalSum(vector<vector<int>>& mat) {int n mat.size();if(n 1) {return mat[0][0];}int sum 0;int i 0, j n - 1;while(i &…
阅读更多...
ARM CCA机密计算软件架构之RMI领域管理接口与RSI领域服务接口

ARM CCA机密计算软件架构之RMI领域管理接口与RSI领域服务接口

领域管理接口 领域管理接口&#xff08;RMI&#xff09;是RMM与正常世界主机之间的接口。 RMI允许正常世界虚拟机监视器向RMM发出指令&#xff0c;以管理领域。 RMI使用来自主机虚拟机监视器的SMC调用&#xff0c;请求RMM的管理控制。 RMI使得对领域管理的控制成为可能&…
阅读更多...
自动化测试框架知识总结（超详细整理）

自动化测试框架知识总结（超详细整理）

一、什么是自动化测试框架 在了解什么是自动化测试框架之前&#xff0c;先了解一下什么叫框架&#xff1f;框架是整个或部分系统的可重用设计&#xff0c;表现为一组抽象构件及构件实例间交互的方法;另一种定义认为&#xff0c;框架是可被应用开发者定制的应用骨架。前者是从应…
阅读更多...
Java多线程常见的成员方法（线程优先级，守护线程，礼让/插入线程）

Java多线程常见的成员方法（线程优先级，守护线程，礼让/插入线程）

目录 1.多线程常见的成员方法2.优先级相关的方法3.守护线程&#xff08;备胎线程&#xff09;4.其他线程 1.多线程常见的成员方法 ①如果没有给线程设置名字&#xff0c;线程是有默认名字 的&#xff1a;Thread-X(X序号&#xff0c;从0开始) ②如果要给线程设置名字&#xff0c…
阅读更多...
10 分钟了解 nextTick ，并实现简易版的 nextTick

10 分钟了解 nextTick ，并实现简易版的 nextTick

前言 在 Vue.js 中&#xff0c;有一个特殊的方法 nextTick&#xff0c;它在 DOM 更新后执行一段代码&#xff0c;起到等待 DOM 绘制完成的作用。本文会详细介绍 nextTick 的原理和使用方法&#xff0c;并实现一个简易版的 nextTick&#xff0c;加深对它的理解。 一. 什么是 n…
阅读更多...
sql优化，内外连接有什么区别

sql优化，内外连接有什么区别

内外连接是啥不必多说&#xff0c;但在做关联查询的时候&#xff0c;二者是有一些区别的&#xff1a; 举例来说&#xff0c;首先是外连接&#xff08;左外连接为例&#xff09;&#xff0c;当两个表都没有索引&#xff0c;就都是全表扫描 EXPLAIN SELECT SQL_NO_CACHE * FROM …
阅读更多...
19个Python语法糖和9个内置装饰器

19个Python语法糖和9个内置装饰器

19 个Sweet的 Python Syntax Sugar&#xff0c;用于改善您的编码体验 文章目录 19 个Sweet的 Python Syntax Sugar&#xff0c;用于改善您的编码体验1. 联合运算符Union Operators&#xff1a;合并 Python 字典的最优雅方式2. 类型提示Type Hints&#xff1a;使您的 Python 程序…
阅读更多...
EduChat账号密码登录

EduChat账号密码登录

内测申请&#xff1a;请邮件dan_yhstu.ecnu.edu.cn&#xff0c;以“EduChat内测申请单位”作为邮件标题&#xff0c;邮件内容中写明用途 先去申请个账号和密码&#xff0c;会有一两天延迟吧&#xff0c;挺快的。 拿到账号之后去官网,点一个 官网传送门 就出来用账号密码登录的…
阅读更多...
腾讯云轻量服务器和云服务器CVM该怎么选?区别一览

腾讯云轻量服务器和云服务器CVM该怎么选?区别一览

腾讯云轻量服务器和云服务器CVM该怎么选&#xff1f;不差钱选云服务器CVM&#xff0c;追求性价比选择轻量应用服务器&#xff0c;轻量真优惠呀&#xff0c;活动 https://curl.qcloud.com/oRMoSucP 轻量应用服务器2核2G3M价格62元一年、2核2G4M价格118元一年&#xff0c;540元三…
阅读更多...
六、Redis 分布式系统

六、Redis 分布式系统

六、Redis 分布式系统 六、Redis 分布式系统6.1 数据分区算法6.1.1 顺序分区6.1.2 哈希分区 6.2 系统搭建与运行6.2.1 系统搭建6.2.2 系统启动与关闭 6.3 集群操作6.3.1 连接集群6.3.2 写入数据6.3.3 集群查询6.3.4 故障转移6.3.5 集群扩容6.3.6 集群收缩 6.4 分布式系统的限制…
阅读更多...
幼儿园：人脸识别门禁技术，可以提高工作效率？

幼儿园：人脸识别门禁技术，可以提高工作效率？

随着社会的不断发展和科技的飞速进步&#xff0c;人脸识别技术已经成为各行各业的一项重要工具。 在幼儿园管理中&#xff0c;人脸识别技术的应用不仅提高了安全性&#xff0c;也优化了接送流程&#xff0c;为幼儿园、家长和孩子们带来了更便捷的管理和服务体验。 客户案例一 …
阅读更多...
快解析结合用友T+异地访问解决方案

快解析结合用友T+异地访问解决方案

用友T作为一款纯BS架构软件&#xff0c;外网用户只需打开浏览器&#xff0c;输入域名即可访问T服务器。但是由于网络原因&#xff0c;很多客户没有公网IP&#xff0c;使T远程访问无法实现。快解析云解析版结合T使用&#xff0c;无需公网IP、无需在路由器里开放端口&#xff0c;…
阅读更多...
C++系列-第3章循环结构-26-认识do-while语句

C++系列-第3章循环结构-26-认识do-while语句

C系列-第3章循环结构-26-认识do-while语句 在线练习&#xff1a; http://noi.openjudge.cn/ https://www.luogu.com.cn/ 对于 while 语句而言&#xff0c;如果不满足条件&#xff0c;则不能进入循环。但有时候我们需要即使不满足条件&#xff0c;也至少执行一次。 do-while循环…
阅读更多...
最新文章

Copyright @ 2022~2023