Какие знаешь подходы uplift моделирования

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

1. Two-Model Approach — строим две отдельные модели: одну на контрольной группе, другую на тестовой, затем вычитаем предсказания.

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

2. Class Transformation — преобразуем целевую переменную (метод S-Learner).

# Добавляем флаг воздействия
X['treatment'] = 1  # или 0 для контроля
model = LogisticRegression().fit(X, y)
uplift = model.predict_proba(X[X['treatment']==1]) - model.predict_proba(X[X['treatment']==0)

3. Uplift-Specific Algorithms — специализированные алгоритмы, например:

   • Causal Forest (из библиотеки causalml)
   • X-Learner, R-Learner (мета-алгоритмы)

4. Differential Response Modeling — моделируют разницу напрямую (например, через градиентные бустинги с uplift-лоссом).

Нюансы:

• Контроль качества через uplift-метрики (Qini, AUUC).
• Важен баланс между группами (A/B тестирование).