simples

l10n-placeholder1 tratar == 1, 2, 1) teste\\(treat <- ifelse(test\\)tratar == 1, 2, 1) treinar\\(y <- ifelse(train\\)y == 1, 2, 1) testar\\(y <- ifelse(test\\)y == 1, 2, 1) train\\(ts = NULL test\\)ts = NULL ``` Parâmetros: - `n` = número de amostras - `p` = número de preditores - `ro` = covariância entre preditores - `sigma` = multiplicador do erro termo - `beta.den` = beta é multiplicado por 1/beta.den Criador: Leo Guelman leo.guelman@gmail.com Para usar este conjunto de dados: ```python import tensorflow_datasets as tfds ds = tfds.load('simpte' , split='train') for ex in ds.take(4): print(ex) ``` Consulte [o guia](https://www.tensorflow.org/datasets/overview) para obter mais informações sobre [tensorflow_datasets ](https://www.tensorflow.org/datasets). " />
  • Descrição :

Nome completo: Simulações para efeitos de tratamentos personalizados

Gerado com o pacote R's Uplift: https://rdrr.io/cran/uplift/man/sim_pte.html

O pacote pode ser baixado aqui: https://cran.r-project.org/src/contrib/Archive/uplift/

Conjunto de dados gerado no R versão 4.1.2 com o seguinte código:

  library(uplift)

  set.seed(123)

  train <- sim_pte(n = 1000, p = 20, rho = 0, sigma = sqrt(2), beta.den = 4)
  test <- sim_pte(n = 2000, p = 20, rho = 0, sigma = sqrt(2), beta.den = 4)

  train$treat <- ifelse(train$treat == 1, 2, 1)
  test$treat <- ifelse(test$treat == 1, 2, 1)

  train$y <- ifelse(train$y == 1, 2, 1)
  test$y <- ifelse(test$y == 1, 2, 1)

  train$ts = NULL
  test$ts = NULL

Parâmetros:

  • n = número de amostras
  • p = número de preditores
  • ro = covariância entre preditores
  • sigma = multiplicador do termo de erro
  • beta.den = beta é multiplicado por 1/beta.den

Criador: Leo Guelman leo.guelman@gmail.com

  • Página inicial : https://rdrr.io/cran/uplift/man/sim_pte.html

  • Código -fonte: tfds.datasets.simpte.Builder

  • Versões :

    • 1.0.0 (padrão): versão inicial.

  • Tamanho do download : Unknown size

  • Tamanho do conjunto de dados : 1.04 MiB

  • Instruções de download manual : este conjunto de dados exige que você baixe os dados de origem manualmente em download_config.manual_dir (o padrão é ~/tensorflow_datasets/downloads/manual/ ):
    Baixe os dados de treinamento: sim_pte_train.csv e os dados de teste: sim_pte_test.csv para ~/tensorflow_datasets/downloads/manual/.

  • Cache automático ( documentação ): Sim

  • Divisões :

Dividir Exemplos
'test' 2.000
'train' 1.000
  • Estrutura de recursos :
FeaturesDict({
    'X1': float32,
    'X10': float32,
    'X11': float32,
    'X12': float32,
    'X13': float32,
    'X14': float32,
    'X15': float32,
    'X16': float32,
    'X17': float32,
    'X18': float32,
    'X19': float32,
    'X2': float32,
    'X20': float32,
    'X3': float32,
    'X4': float32,
    'X5': float32,
    'X6': float32,
    'X7': float32,
    'X8': float32,
    'X9': float32,
    'treat': int32,
    'y': int32,
})
  • Documentação do recurso:
Funcionalidade Aula Forma Tipo D Descrição
RecursosDict
X1 tensor float32
X10 tensor float32
X11 tensor float32
X12 tensor float32
X13 tensor float32
X14 tensor float32
X15 tensor float32
X16 tensor float32
X17 tensor float32
X18 tensor float32
X19 tensor float32
X2 tensor float32
X20 tensor float32
X3 tensor float32
X4 tensor float32
X5 tensor float32
X6 tensor float32
X7 tensor float32
X8 tensor float32
X9 tensor float32
tratar tensor int32
y tensor int32

  • Chaves supervisionadas (Consulte as_supervised doc ): ({'X1': 'X1', 'X10': 'X10', 'X11': 'X11', 'X12': 'X12', 'X13': 'X13', 'X14': 'X14', 'X15': 'X15', 'X16': 'X16', 'X17': 'X17', 'X18': 'X18', 'X19': 'X19', 'X2': 'X2', 'X20': 'X20', 'X3': 'X3', 'X4': 'X4', 'X5': 'X5', 'X6': 'X6', 'X7': 'X7', 'X8': 'X8', 'X9': 'X9', 'treat': 'treat'}, 'y')

  • Figura ( tfds.show_examples ): Não compatível.

  • Exemplos ( tfds.as_dataframe ):

  • Citação :
@misc{https://doi.org/10.48550/arxiv.1212.2995,
  doi = {10.48550/ARXIV.1212.2995},
  url = {https://arxiv.org/abs/1212.2995},
  author = {Tian, Lu and Alizadeh, Ash and Gentles, Andrew and Tibshirani, Robert},
  keywords = {Methodology (stat.ME), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {A Simple Method for Detecting Interactions between a Treatment and a Large Number of Covariates},
  publisher = {arXiv},
  year = {2012},
  copyright = {arXiv.org perpetual, non-exclusive license}
}