kriteria

• Deskripsi :

Kumpulan Data Pemodelan Criteo Uplift

Kumpulan data ini dirilis bersama dengan makalah: “Tolok Ukur Skala Besar untuk Pemodelan Peningkatan” Eustache Diemert, Artem Betlei, Christophe Renaudin; (Criteo AI Lab), Massih-Reza Amini (LIG, Grenoble INP)

Karya ini dipublikasikan di: Lokakarya AdKDD 2018, bersamaan dengan KDD 2018.

Deskripsi data

Kumpulan data ini dibangun dengan mengumpulkan data yang dihasilkan dari beberapa uji inkrementalitas, prosedur uji coba acak tertentu di mana bagian acak dari populasi dicegah dari target iklan. terdiri dari 25 juta baris, masing-masing mewakili pengguna dengan 11 fitur, indikator perawatan, dan 2 label (kunjungan dan konversi).

Bidang

Berikut ini adalah deskripsi mendetail tentang bidang-bidang tersebut (dipisahkan dengan koma dalam file):

• f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11: nilai fitur (padat, mengambang)
• pengobatan: kelompok perlakuan (1 = diobati, 0 = kontrol)
• konversi: apakah konversi terjadi untuk pengguna ini (biner, label)
• kunjungan: apakah kunjungan terjadi untuk pengguna ini (biner, label)
• paparan: efek pengobatan, apakah pengguna telah terpapar secara efektif (biner)

Tokoh kunci

• Format: CSV
• Ukuran: 459MB (terkompresi)
• Baris: 25.309.483
• Tingkat Kunjungan Rata-Rata: 0,04132
• Tingkat Konversi Rata-Rata: 0,00229
• Rasio Pengobatan: 0,846

Tugas

Kumpulan data dikumpulkan dan disiapkan dengan mempertimbangkan prediksi peningkatan sebagai tugas utama. Selain itu, kami dapat memperkirakan penggunaan terkait seperti namun tidak terbatas pada:

• patokan untuk inferensi kausal
• pemodelan pengangkatan
• interaksi antara fitur dan perawatan
• heterogenitas pengobatan

• patokan untuk metode kausalitas observasional

• Dokumentasi Tambahan : Jelajahi di Makalah Dengan Kode

• Beranda : https://ailab.criteo.com/criteo-uplift-prediction-dataset/

• Kode sumber : tfds.recommendation.criteo.Criteo

• Versi :

  • 1.0.0 : Rilis awal.
  • 1.0.1 (default): Memperbaiki penguraian conversion bidang, visit , dan exposure .

• Ukuran unduhan : 297.00 MiB

• Ukuran dataset : 3.55 GiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

Membelah	Contoh
'train'	13.979.592

• Struktur fitur :

FeaturesDict({
    'conversion': bool,
    'exposure': bool,
    'f0': float32,
    'f1': float32,
    'f10': float32,
    'f11': float32,
    'f2': float32,
    'f3': float32,
    'f4': float32,
    'f5': float32,
    'f6': float32,
    'f7': float32,
    'f8': float32,
    'f9': float32,
    'treatment': int64,
    'visit': bool,
})

• Dokumentasi fitur :

Fitur	Kelas	Membentuk	Dtype	Keterangan
	fiturDict
konversi	Tensor		bool
paparan	Tensor		bool
f0	Tensor		float32
f1	Tensor		float32
f10	Tensor		float32
f11	Tensor		float32
f2	Tensor		float32
f3	Tensor		float32
f4	Tensor		float32
f5	Tensor		float32
f6	Tensor		float32
f7	Tensor		float32
f8	Tensor		float32
f9	Tensor		float32
perlakuan	Tensor		int64
mengunjungi	Tensor		bool

• Kunci yang diawasi (Lihat as_supervised doc ): ({'exposure': 'exposure', 'f0': 'f0', 'f1': 'f1', 'f10': 'f10', 'f11': 'f11', 'f2': 'f2', 'f3': 'f3', 'f4': 'f4', 'f5': 'f5', 'f6': 'f6', 'f7': 'f7', 'f8': 'f8', 'f9': 'f9', 'treatment': 'treatment'}, 'visit')

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ):

• Kutipan :

@inproceedings{Diemert2018,
author = { {Diemert Eustache, Betlei Artem} and Renaudin, Christophe and Massih-Reza, Amini},
title={A Large Scale Benchmark for Uplift Modeling},
publisher = {ACM},
booktitle = {Proceedings of the AdKDD and TargetAd Workshop, KDD, London,United Kingdom, August, 20, 2018},
year = {2018}
}