(2)uber/causalml代码复现

原创 已于 2022-09-21 12:35:51 修改 · 2k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pycharm #pytorch #python

于 2021-11-25 10:13:00 首次发布

一、链接

Github：https://github.com/uber/causalml

如何评价弹性模型训练的好坏？一文浅谈评测指标AUUC

Uplift Modeling相关数据集

Uplift Modeling的实用算法解读——MetaLearner

二、配置和环境

有几种不同的依赖配置方式，我用conda之间安装包会出现报错，于是我选择用新建一个anaconda环境，在里面用pip命令安装，并在Jupyter notebook中运行【作者提供了很多jupyter文件下的样例】，也可以考虑在spyder中运行

相关链接：

Tensorflow + PyTorch 安装（CPU + GPU 版本）【含anaconda安装和环境创建】

Anaconda中修改Spyder解释器【新建对应环境下的spyder】

1、创建环境

# 创建环境
conda create --name causalml_py python=3.8.0
# 激活环境
activate causalml_p
最低0.47元/天 解锁文章
python causalml 库安装教程
write___的博客
01-09 2680
因果推断_Uplift-Modeling_python causalml 库 安装教程
因果推断causalml库安装各种问题
黄老板的杂货铺
05-27 2696
因果推断causalml库安装各种问题 1. python setup.py egg_info Check the logs for full command output. 解决：升级setup、升级pip（可选） pip install --upgrade setuptools –single-version-externally-managed --compile Check the logs for full command output. 解决：升级pip、升级或安装wheel pip ins
因果推断4--Causal ML（个人笔记）
as472780551的博客
01-02 6793
CausalML是一个基于Python的因果学习开源项目。最早为Uber项目定制、内部开源，而后正式成为开源项目。其提供了丰富的模型选择，例如常用的Meta-Learner和因果树模型，方便在实践中作对比和选择。同时还提供例如模拟数据生成、模型可视化、模型评估等一系列配套工具。其目标是用于解决业务实践问题，尤其是在计算速度和数据规模方面能够达到业界标准并持续优化。
浅记causalml安装
weixin_36299320的博客
04-07 1861
causalml安装完整流程，少走bug弯路
机器学习评价指标详解
威少的博客
11-07 1779
文章目录1. 混淆矩阵，准确率，精准率，召回率2. 准确率3. 精确率（precision）4. 召回率（Recall）5. P-R曲线（查准率-查全率）6. F1分数7. ROC曲线和AUC值7.1. 灵敏度，特异度，真正率，假正率7.2 ROC（TPR-FPR）曲线7.3 AUC（曲线下的面积）参考网址 1. 混淆矩阵，准确率，精准率，召回率 实际结果 1 0 预测结果 1 TP FP 0 FN TN TP、FP、TN、FN都是针对与预测来说的。比如T表示预测正确
智能营销增益模型（Uplift Modeling）实践整理
xiedelong的博客
04-12 7775
一、uplift 思想（因果推断） 常用的点击率预测模型，称为响应模型（response model），即预测用户看到商品（Treatment）后点击（购买）的概率。但在营销的发放优惠券这种场景下，很自然会想到，用户是本来就有购买的意愿还是因为发放了优惠券诱使用户购买？ 对有发放优惠券这种有成本的营销活动，我们希望模型触达的是营销敏感的用户，即发放的优惠券促使用户购买，而对优惠券不敏感的用户——无论是否发券都会购买——最好不要发券，节省成本。营销活动中，对用户进行干预称为treatment，例如发放优惠券是
一个工具，帮助消除您的Java代码中的nullpointerexception (NPEs)与低构建时开销- uber/NullAway
01-27
NullAway: Fast Annotation-Based Null Checking for Java NullAway is a tool to help eliminate NullPointerExceptions (NPEs) in your Java code. To use NullAway, first add @Nullable annotations in your ...
flink-shaded-hadoop-2-uber-2.6.0-cdh5.13.3-7.0.jar
11-06
编译好的flink依赖包。放在flink的lib目录下即可。此版本是Flink1.9.0基于cdh5.13.3进行的编译。
causalml 使用介绍
ZSCDumin的博客
03-30 4110
causalml 使用介绍 1. 安装教程及官方文档 1.1 pip安装 pip install causalml 1.2 API文档 https://causalml.readth...
Uplift模型计算AUUC和QINI
最新发布
zhj_fly的博客
07-03 2186
指标纵轴含义基线面积计算对象AUUC累积增量响应人数占比(NCGkNCGky0y=0y0（不干预）Uplift Curve与y0y=0y0的面积QINI累积净新增转化占比(NCQkNCQk随机策略线(RandompRandompQINI Curve与随机线的面积差图形对比AUUC Curve：从00(0,0)00升至1OverallIR1OverallIR，面积越大越好。QINI Curve：高于随机线时为正QINI，反之为负。建议。
causalml：使用机器学习算法进行提升建模和因果推理
02-04
免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客
sklearn.metrics中的评估方法介绍(accuracy_score, recall_score, roc_curve, roc_auc_score, confusion_matrix)
热门推荐
飘过的春风
03-21 5万+
1、accuracy_score 分类准确率分数是指所有分类正确的百分比。分类准确率这一衡量分类器的标准比较容易理解，但是它不能告诉你响应值的潜在分布，并且它也不能告诉你分类器犯错的类型。sklearn.metrics.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)normalize：默认值为True，返回正确分...
roc_auc_score函数
weixin_67609590的博客
05-19 4800
是用于计算二分类问题中 ROC 曲线下的面积（AUC）的函数。ROC（Receiver Operating Characteristic）曲线是一种以真阳性率（True Positive Rate, TPR）为纵坐标、假阳性率（False Positive Rate, FPR）为横坐标的曲线，用于评估二分类模型的分类效果。AUC 表示 ROC 曲线下的面积，其取值范围为 0 至 1，AUC 值越接近 1，说明模型的分类效果越好。
因果推断 | 双重机器学习（DML）算法原理和实例应用
taozibaby的博客
07-21 2万+
因果推断 | 双重机器学习（DML）算法原理和实例应用
[因果推断] 增益模型（Uplift Model）介绍（三）
摩登都市天空---专栏
04-29 3万+
1 基础介绍 增益模型（uplift model）：估算干预增量（uplift），即干预动作（treatment）对用户响应行为（outcome）产生的效果。 这是一个因果推断（Causal Inference) 课题下估算ITE（Individual Treatment Effect）的问题——估算同一个体在干预与不干预（互斥情况下）不同outcome的差异。为了克服这一反事实的现状，增益模型强依赖于随机实验（将用户随机分配到实验组&对照组）的结果数据。 2 因果推断基础 CATE 和
因果推断（三）：causalml的使用（1）_元学习器的使用
Y1n的博客
04-16 2819
元学习器是利用一些现成的机器学习方法来进行因果推断的方法。也是相对来说最简单的进行因果推断的模型，在econml和causalml都有实现，调用也相对比较方便。
Uplift模型评估指标AUUC
公众号：瑞行AI
12-17 2470
因果推断技术在营销场景的主要应用就是基于Uplift Model来预测营销干预对个体转化概率的增益，通过增益大小识别营销敏感人群。增益大小，就是计算有干预 相对无干预的转化概率差异，即个体因果效应ITE。
git clone 报错解决
wangwangstone的博客
05-22 1892
fatal: unable to access 'https://github.com/xxx/project.git': Failed to connect to 127.0.0.1 port 54427: Connection refused
因果推断笔记——因果图建模之Uber开源的CausalML（十二）
素质云笔记
09-14 9232
CausalML，这是一个开放源码的Python包，它提供了一套基于最近研究的机器学习算法的提升建模和因果推理方法。我们将介绍CausalML的主要组成部分: (2) 验证/分析方法(如合成数据生成、AUUC、敏感性分析、可解释性)， (3) 优化方法(如策略优化、价值优化、单元选择)。 github：https://github.com/uber/causalml 其余两篇开源项目的文章： 因果推断笔记——因果图建模之微软开源的EconML（五） 因果推断笔记——因果图建模之微软开源的dowhy（一）
Jupyter notebook和 Jupyter lab内核死亡问题的原因和解决方案
Y1n的博客
05-07 6146
之前也遇到过几次内核死亡的问题，也一直没有想解决办法。这里总结一下并提出几个解决办法。首先明确一下jupyter出现内核死亡的原因：jupyter lab 或者 jupyter notebook 本身是一个web服务， 无法支持高并发和频繁的计算任务，对于大规模运行或高并发是不够能力处理，所以机会内核死亡。所以如果平时也习惯用pycharm，移植代码到pycharm运行就没问题了。我是因为很少用pycharm，甚至都没装pycharm。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值