Python用機器學習算法進行因果推斷與增量、增益模型Uplift Modeling智能營銷模型|附代
原文鏈接：http://tecdat.cn/?p=27058
最近我們被客戶要求撰寫關于因果推斷與增量的研究報告，包括一些圖形和統(tǒng)計輸出。
使用 ML 進行提升建模和因果推理
Python 包提供了一套使用基于最近研究的機器學習算法的提升建模和因果推理方法。允許用戶根據(jù)實驗或觀察數(shù)據(jù)估計條件平均處理效果 (CATE) 或個體處理效果 (ITE)。本質(zhì)上，它估計了干預?對?具有觀察特征的用戶的?T?結(jié)果?的因果影響，而對模型形式?jīng)]有強烈的假設。典型用例包括
廣告活動定位優(yōu)化：在廣告活動中提高投資回報率的一個重要手段是將廣告定位到在給定 KPI（如參與度或銷售量）中會有良好反應的客戶群。通過根據(jù) A/B 實驗或歷史觀察數(shù)據(jù)在個人層面估計廣告曝光的 KPI 影響來識別這些客戶。個性化參與：公司有多種選擇與客戶互動，例如在追加銷售或消息渠道中的不同產(chǎn)品選擇。可以估計每個客戶和處理選項組合的異質(zhì)處理效果，以獲得最佳的個性化推薦系統(tǒng)。
目前支持以下方法
基于樹的算法歐幾里得距離和卡方上的隨機森林
提升樹/隨機森林
元學習算法S學習
T學習
X學習
R學習
工具變量算法2 階段最小二乘法 (2SLS)
開始
S、T、X 和 R 學習的平均處理效果估計
xg?=?XGBTRrssor()nn?=?MLPTReesor(hidenlayer_izes=(10,?10))xl?=?BaeXegrsor(lernr=XGBeresor())rl?=?BaeRReresor(lerner=XRegrssor())
可解釋的因果機器學習
提供了解釋如下訓練的處理效果模型的方法：
元學習特征的重要性
#?加載合成數(shù)據(jù)np.array(['treaet_A'?if?x==1?else?'cotol'?for?x?in?trtent])?#?處理/控制名稱RnFostRgesor()??#?為model_tau_feature指定模#?在基礎學習器中使用feature_importances_方法plot_ipornce()#?繪制shap值pot_shp_ues()#?interaction_idx設置為'auto'ploshp_dpedece()
點擊標題查閱往期內(nèi)容
R語言使用馬爾可夫鏈對營銷中的渠道歸因建模
左右滑動查看更多
01
02
03
04
提升樹可視化
uplit_del.fit(df[fars].values,
?????????????????trtnt=df['trtme_rop_ey'].values,
?????????????????y=df['cvesin'].values)
點擊文末?“閱讀原文”
獲取全文完整資料。
本文選自《Python用機器學習算法進行因果推斷與增量、增益模型Uplift Modeling智能營銷模型》。
點擊標題查閱往期內(nèi)容
Boosting原理與R語言提升回歸樹BRT預測短鰭鰻分布Python決策樹、隨機森林、樸素貝葉斯、KNN（K-最近鄰居）分類分析銀行拉新活動挖掘潛在貸款客戶
R語言邏輯回歸(Logistic Regression)、回歸決策樹、隨機森林信用卡違約分析信貸數(shù)據(jù)集R語言基于Bagging分類的邏輯回歸(Logistic Regression)、決策樹、森林分析心臟病患者
R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進行回歸、分類和動態(tài)可視化
R語言用主成分PCA、?邏輯回歸、決策樹、隨機森林分析心臟病數(shù)據(jù)并高維可視化
matlab使用分位數(shù)隨機森林（QRF）回歸樹檢測異常值
R語言用邏輯回歸、決策樹和隨機森林對信貸數(shù)據(jù)集進行分類預測
R語言中使用線性模型、回歸決策樹自動組合特征因子水平
R語言中自編基尼系數(shù)的CART回歸決策樹的實現(xiàn)
Python對商店數(shù)據(jù)進行l(wèi)stm和xgboost銷售量時間序列建模預測分析
R語言基于樹的方法：決策樹，隨機森林，Bagging，增強樹
R語言實現(xiàn)偏最小二乘回歸法 partial least squares (PLS)回歸
R語言多項式回歸擬合非線性關系
R語言邏輯回歸（Logistic回歸）模型分類預測病人冠心病風險
R語言用局部加權(quán)回歸(Lowess)對logistic邏輯回歸診斷和殘差分析
R語言混合效應邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)
