用于不平衡RCT数据的 uplift建模和异质处理效应估计的类别翻转
机器学习
2024-12-16 v1 机器学习
摘要
Uplift建模和异质处理效应（HTE）估计旨在预测作用于特定个体的因果效应，如医疗治疗或营销活动。在本文中，我们聚焦于来自随机对照实验（RCT）的数据，这些数据保证了结果的因果解释。类别不平衡和处理不平衡是Uplift建模/HTE中的重要问题，但基于经典下采样或上采样的方法在此类情况下难以应用，因为会扭曲预测的效应。过去提出了校准方法，但它们不能保证正确的预测。在本工作中，我们提出一种替代下采样的方法，基于对选定记录的类别值翻转。我们证明所提出的方法既不扭曲预测的效应，也无需校准。该方法特别适用于基于类别变量转换（修正后结果模型）的模型。我们单独针对这些模型设计了一种转换方案，以保证正确的预测，并解决了尤其重要的处理不平衡问题。实验充分确认了我们的理论结果。此外，我们展示了该方法也是标准分类问题的可行替代方案。
引用
@article{arxiv.2412.10009,
title = {Class flipping for uplift modeling and Heterogeneous Treatment Effect estimation on imbalanced RCT data},
author = {Krzysztof Rudaś and Szymon Jaroszewicz},
journal= {arXiv preprint arXiv:2412.10009},
year = {2024}
}