ساده

l10n-placeholder1 درمان == 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 ``` پارامترها: - `n` = تعداد نمونه ها - `p` = تعداد پیش بینی ها - `ro` = کوواریانس بین پیش بینی کننده ها - `سیگما` = تکثیر کننده خطا عبارت - `beta.den` = بتا توسط 1/beta.den تکثیر شده است سازنده: Leo Guelman leo.guelman@gmail.com برای استفاده از این مجموعه داده: `` Python مجموعه داده‌های tensorflow را به عنوان tfds ds = tfds.load وارد می‌کند ('simpte' , split='train') برای سابق در ds.take(4): print(ex) ``` برای اطلاعات بیشتر در مورد [tensorflow_datasets به [راهنما](https://www.tensorflow.org/datasets/overview) مراجعه کنید ](https://www.tensorflow.org/datasets). "/>
  • توضیحات :

نام کامل: شبیه سازی برای اثرات درمانی شخصی

تولید شده با بسته R's Uplift: https://rdrr.io/cran/uplift/man/sim_pte.html

بسته را می توان از اینجا دانلود کرد: https://cran.r-project.org/src/contrib/Archive/uplift/

مجموعه داده تولید شده در R نسخه 4.1.2 با کد زیر:

  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

مولفه های:

  • n = تعداد نمونه
  • p = تعداد پیش بینی کننده ها
  • ro = کوواریانس بین پیش بینی کننده ها
  • sigma = تکثیر کننده عبارت خطا
  • beta.den = beta در 1/beta.den ضرب می شود

سازنده: Leo Guelman leo.guelman@gmail.com

  • صفحه اصلی : https://rdrr.io/cran/uplift/man/sim_pte.html

  • کد منبع : tfds.datasets.simpte.Builder

  • نسخه ها :

    • 1.0.0 (پیش فرض): انتشار اولیه.
  • اندازه دانلود : Unknown size

  • حجم مجموعه داده : 1.04 MiB

  • دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir (پیش‌فرض ~/tensorflow_datasets/downloads/manual/ ):
    لطفا داده های آموزشی: sim_pte_train.csv و داده های تست: sim_pte_test.csv را به ~/tensorflow_datasets/downloads/manual/ دانلود کنید.

  • ذخیره خودکار ( اسناد ): بله

  • تقسیم ها :

شکاف مثال ها
'test' 2000
'train' 1000
  • ساختار ویژگی :
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,
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
X1 تانسور float32
X10 تانسور float32
X11 تانسور float32
X12 تانسور float32
X13 تانسور float32
X14 تانسور float32
X15 تانسور float32
X16 تانسور float32
X17 تانسور float32
X18 تانسور float32
X19 تانسور float32
X2 تانسور float32
X20 تانسور float32
X3 تانسور float32
X4 تانسور float32
X5 تانسور float32
X6 تانسور float32
X7 تانسور float32
X8 تانسور float32
X9 تانسور float32
درمان شود تانسور int32
y تانسور int32
  • کلیدهای نظارت شده (به as_supervised نظارت شده مراجعه کنید): ({'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')

  • شکل ( tfds.show_examples ): پشتیبانی نمی شود.

  • مثال‌ها ( tfds.as_dataframe ):

  • نقل قول :
@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}
}