个体处理效应检测方法之比较
机器学习
2019-12-04 v1 应用统计
机器学习
摘要
如今，个体层面的处理效应估计是科学与商业诸多领域中的重要问题。例如，在营销中，处理效应估计用于选择最高效的促销机制；在医学中，个体处理效应用于确定每位患者的最佳药物剂量等。与此同时，关于选择最佳方法（即确保最小预测误差（如 RMSE）或最高总（平均）效应值的方法）的问题仍悬而未决。据此，本文比较了用于个体处理效应估计的机器学习方法的有效性。比较在 Criteo Uplift Modeling Dataset 上进行。本文表明，Logistic Regression 方法与 Difference Score 方法的组合以及 Uplift Random Forest 方法在测试数据集前 30% 观测上提供了最佳的个体处理效应预测正确性。
引用
@article{arxiv.1912.01443,
title = {The Comparison of Methods for Individual Treatment Effect Detection},
author = {Aleksey Buzmakov and Daria Semenova and Maria Temirkaeva},
journal= {arXiv preprint arXiv:1912.01443},
year = {2019}
}
备注
12 pages, 1 figure, 1 table