criteo

• Descrizione :

Set di dati di modellazione Criteo Uplift

Questo set di dati viene rilasciato insieme al documento: "A Large Scale Benchmark for Uplift Modeling" Eustache Diemert, Artem Betlei, Christophe Renaudin; (Criteo AI Lab), Massih-Reza Amini (LIG, Grenoble INP)

Questo lavoro è stato pubblicato in: AdKDD 2018 Workshop, in concomitanza con KDD 2018.

Descrizione dei dati

Questo set di dati è costruito assemblando i dati risultanti da diversi test di incrementalità, una particolare procedura di sperimentazione randomizzata in cui si impedisce a una parte casuale della popolazione di essere presa di mira dalla pubblicità. è composto da 25 milioni di righe, ognuna delle quali rappresenta un utente con 11 caratteristiche, un indicatore di trattamento e 2 etichette (visite e conversioni).

Campi

Ecco una descrizione dettagliata dei campi (sono separati da virgole nel file):

• f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11: valori delle caratteristiche (dense, float)
• trattamento: gruppo di trattamento (1 = trattato, 0 = controllo)
• conversione: se si è verificata una conversione per questo utente (binario, etichetta)
• visit: se si è verificata una visita per questo utente (binario, etichetta)
• esposizione: effetto del trattamento, se l'utente è stato effettivamente esposto (binario)

Figure chiave

• Formato: CSV
• Dimensione: 459 MB (compresso)
• Righe: 25.309.483
• Tasso medio di visite: 0,04132
• Tasso di conversione medio: 0,00229
• Rapporto di trattamento: .846

Compiti

Il set di dati è stato raccolto e preparato tenendo presente la previsione dell'aumento come compito principale. Inoltre possiamo prevedere usi correlati come, a titolo esemplificativo ma non esaustivo:

• punto di riferimento per l'inferenza causale
• modellazione del sollevamento
• interazioni tra caratteristiche e trattamento
• eterogeneità del trattamento

• punto di riferimento per i metodi di causalità osservativa

• Documentazione aggiuntiva : Esplora documenti con codice

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

• Codice sorgente : tfds.recommendation.criteo.Criteo

• Versioni :

  • 1.0.0 : Versione iniziale.
  • 1.0.1 (predefinito): Corretta l'analisi dei campi conversion , visit ed exposure .

• Dimensione del download : 297.00 MiB

• Dimensione del set di dati: 3.55 GiB

• Cache automatica ( documentazione ): No

• Divisioni :

Diviso	Esempi
'train'	13.979.592

• Struttura delle caratteristiche :

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,
})

• Documentazione delle funzionalità :

Caratteristica	Classe	Forma	Tipo D	Descrizione
	CaratteristicheDict
conversione	Tensore		bool
esposizione	Tensore		bool
f0	Tensore		galleggiante32
f1	Tensore		galleggiante32
f10	Tensore		galleggiante32
f11	Tensore		galleggiante32
f2	Tensore		galleggiante32
f3	Tensore		galleggiante32
f4	Tensore		galleggiante32
f5	Tensore		galleggiante32
f6	Tensore		galleggiante32
f7	Tensore		galleggiante32
f8	Tensore		galleggiante32
f9	Tensore		galleggiante32
trattamento	Tensore		int64
visitare	Tensore		bool

• Chiavi supervisionate (vedi 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')

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@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}
}