sklift.models.SoloModel
- class sklift.models.models.SoloModel(estimator, method='dummy')[source]
也称为治疗虚拟方法，或单一模型方法，或S-学习者。
在整个数据集上拟合单独模型，将‘treatment’作为附加特征。
测试样本中的每个对象都会被评分两次：一次是通信标志等于1，另一次是通信标志等于0。 通过减去每个观察值的概率，我们得到了提升值。
返回每个示例的预测差异。
了解更多，请参阅用户指南。
- Parameters
estimator (实现 'fit' 的估计器对象) – 用于拟合数据的对象。
method (string, ’dummy’ or ’treatment_interaction’, default='dummy') –
指定方法：
'dummy':单一模型；
'treatment_interaction':包含治疗交互的单一模型。
- trmnt_preds_
治疗时对样本的估计器预测。
- Type
类数组, 形状 (n_samples, )
- ctrl_preds_
控制时对样本的估计器预测。
- Type
类数组, 形状 (n_samples, )
示例：
# import approach from sklift.models import SoloModel # import any estimator adheres to scikit-learn conventions from catboost import CatBoostClassifier sm = SoloModel(CatBoostClassifier(verbose=100, random_state=777)) # define approach sm = sm.fit(X_train, y_train, treat_train, estimator_fit_params={{'plot': True}) # fit the model uplift_sm = sm.predict(X_val) # predict uplift
参考文献
Lo, Victor. (2002). 真实提升模型 - 一种新颖的数据挖掘方法用于数据库营销中的响应建模。SIGKDD探索。4. 78-86.
另请参阅
其他方法：
ClassTransformation: 类变量转换方法。ClassTransformationReg: 转换结果方法。TwoModels: 双分类器方法。
其他:
plot_uplift_preds(): 绘制处理组、对照组和提升预测的直方图。
- fit(X, y, treatment, estimator_fit_params=None)[source]
根据给定的训练数据拟合模型。
对于每个测试示例，分别使用第一个和第二个模型对新数据集进行预测。 然后计算这些预测之间的差异作为提升值。
返回每个示例的预测差异。
- Parameters
X (数组形式, 形状 (n_samples, n_features)) – 训练向量，其中 n_samples 是样本数量，n_features 是特征数量。
y (数组形式, 形状 (n_samples,)) – 相对于X的二元目标向量。
treatment (array-like, shape (n_samples,)) – 相对于X的二元处理向量。
estimator_fit_params (dict, optional) – 传递给估计器fit方法的参数。
- Returns
self
- Return type
对象