kryt

• opis :

Zbiór danych modelowania Criteo Uplift

Ten zbiór danych jest publikowany wraz z artykułem: „A Large Scale Benchmark for Uplift Modeling” Eustache Diemert, Artem Betlei, Christophe Renaudin; (Criteo AI Lab), Massih-Reza Amini (LIG, Grenoble INP)

Ta praca została opublikowana w: Warsztaty AdKDD 2018, w połączeniu z KDD 2018.

Opis danych

Ten zestaw danych jest tworzony poprzez gromadzenie danych wynikających z kilku testów przyrostowych, szczególnej randomizowanej procedury próbnej, w której losowa część populacji nie jest kierowana reklamą. składa się z 25 milionów wierszy, z których każdy reprezentuje użytkownika z 11 cechami, wskaźnikiem leczenia i 2 etykietami (wizyty i konwersje).

Pola

Oto szczegółowy opis pól (w pliku są one oddzielone przecinkami):

• f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11: wartości cech (gęsty, zmiennoprzecinkowy)
• leczenie: grupa leczona (1 = leczona, 0 = kontrolna)
• konwersja: czy nastąpiła konwersja dla tego użytkownika (binarna, etykieta)
• wizyta: czy nastąpiła wizyta dla tego użytkownika (binarnie, etykieta)
• ekspozycja: efekt leczenia, czy użytkownik został skutecznie narażony (binarnie)

Kluczowe dane

• Format: CSV
• Rozmiar: 459 MB (skompresowany)
• Rzędy: 25 309 483
• Średni wskaźnik odwiedzin: 0,04132
• Średni współczynnik konwersji: 0,00229
• Współczynnik leczenia: 0,846

Zadania

Zbiór danych został zebrany i przygotowany z myślą o przewidywaniu wypiętrzenia jako głównego zadania. Dodatkowo możemy przewidzieć powiązane zastosowania, takie jak między innymi:

• punkt odniesienia dla wnioskowania przyczynowego
• modelowanie wypiętrzenia
• interakcje między cechami a leczeniem
• niejednorodność leczenia

• punkt odniesienia dla obserwacyjnych metod przyczynowości

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na

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

• Kod źródłowy : tfds.recommendation.criteo.Criteo

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 1.0.1 (domyślnie): Naprawiono parsowanie pól conversion , visit i exposure .

• Rozmiar pliku do pobrania : 297.00 MiB

• Rozmiar zestawu danych : 3.55 GiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

Podział	Przykłady
'train'	13 979 592

• Struktura funkcji :

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,
})

• Dokumentacja funkcji :

Funkcja	Klasa	Kształtować się	Typ D	Opis
	FunkcjeDict
konwersja	Napinacz		bool
narażenie	Napinacz		bool
f0	Napinacz		pływak32
f1	Napinacz		pływak32
f10	Napinacz		pływak32
f11	Napinacz		pływak32
f2	Napinacz		pływak32
f3	Napinacz		pływak32
f4	Napinacz		pływak32
f5	Napinacz		pływak32
f6	Napinacz		pływak32
f7	Napinacz		pływak32
f8	Napinacz		pływak32
f9	Napinacz		pływak32
leczenie	Napinacz		int64
odwiedzić	Napinacz		bool

• Nadzorowane klucze (Patrz 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')

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@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}
}