Какие знаешь алгоритмы uplift моделирования

Uplift моделирование оценивает влияние вмешательства (например, маркетинговой кампании) на поведение клиента. Основные подходы:

1. Two-Model Approach (T-Learner)
   Обучаются две модели: одна на контрольной группе, другая на тестовой. Разница предсказаний даёт uplift.
   python

   Копировать

   model_control = RandomForestClassifier().fit(X_control, y_control)
   model_treatment = RandomForestClassifier().fit(X_treatment, y_treatment)
   uplift = model_treatment.predict_proba(X)[:, 1] - model_control.predict_proba(X)[:, 1]

2. Class Transformation (S-Learner)
   Включает флаг вмешательства как фичу. Uplift = разница предсказаний при флаге 1 и 0.

   python

   Копировать

   model = RandomForestClassifier().fit(X_all, y_all)
   uplift = model.predict_proba(X.assign(treatment=1))[:, 1] - model.predict_proba(X.assign(treatment=0))[:, 1]

3. X-Learner
   Комбинирует T-Learner с мета-моделью для коррекции ошибок.

4. Causal Forest
   Вариант Random Forest, оптимизированный для оценки причинного эффекта.

Нюансы:

• T-Learner страдает от bias, если группы несбалансированы.
• S-Learner плохо работает при слабом влиянии вмешательства.
• Для малых данных лучше X-Learner или Causal Forest.

Примеры библиотек: causalml, EconML, pylift.