sencillo

l10n-marcador1 tratar == 1, 2, 1) prueba\\(treat <- ifelse(test\\)tratar == 1, 2, 1) entrenar\\(y <- ifelse(train\\)y == 1, 2, 1) probar\\(y <- ifelse(test\\)y == 1, 2, 1) tren\\(ts = NULL test\\)ts = NULL ``` Parámetros: - `n` = número de muestras - `p` = número de predictores - `ro` = covarianza entre predictores - `sigma` = multiplicador del error term - `beta.den` = beta se multiplica por 1/beta.den Creador: Leo Guelman leo.guelman@gmail.com Para usar este conjunto de datos: ```python import tensorflow_datasets as tfds ds = tfds.load('simpte' , split='train') para ex en ds.take(4): print(ex) ``` Consulte [la guía](https://www.tensorflow.org/datasets/overview) para obtener más información sobre [tensorflow_datasets ](https://www.tensorflow.org/datasets). " />
  • Descripción :

Nombre completo: Simulaciones para Efectos de Tratamiento Personalizado

Generado con el paquete Uplift de R: https://rdrr.io/cran/uplift/man/sim_pte.html

El paquete se puede descargar aquí: https://cran.r-project.org/src/contrib/Archive/uplift/

Conjunto de datos generado en R versión 4.1.2 con el siguiente 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

Parámetros:

  • n = número de muestras
  • p = número de predictores
  • ro = covarianza entre predictores
  • sigma = multiplicador del término de error
  • beta.den = beta se multiplica por 1/beta.den

Creador: Leo Guelman leo.guelman@gmail.com

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

  • Código fuente : tfds.datasets.simpte.Builder

  • Versiones :

    • 1.0.0 (predeterminado): versión inicial.
  • Tamaño de descarga : Unknown size

  • Tamaño del conjunto de datos : 1.04 MiB

  • Instrucciones de descarga manual : este conjunto de datos requiere que descargue los datos de origen manualmente en download_config.manual_dir (el valor predeterminado es ~/tensorflow_datasets/downloads/manual/ ):
    Descargue los datos de capacitación: sim_pte_train.csv y los datos de prueba: sim_pte_test.csv a ~/tensorflow_datasets/downloads/manual/.

  • Almacenamiento automático en caché ( documentación ): Sí

  • Divisiones :

Separar Ejemplos
'test' 2,000
'train' 1,000
  • Estructura de características :
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,
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
X1 Tensor flotar32
X10 Tensor flotar32
X11 Tensor flotar32
X12 Tensor flotar32
X13 Tensor flotar32
X14 Tensor flotar32
X15 Tensor flotar32
X16 Tensor flotar32
X17 Tensor flotar32
X18 Tensor flotar32
X19 Tensor flotar32
X2 Tensor flotar32
X20 Tensor flotar32
X3 Tensor flotar32
X4 Tensor flotar32
X5 Tensor flotar32
X6 Tensor flotar32
X7 Tensor flotar32
X8 Tensor flotar32
X9 Tensor flotar32
tratar Tensor int32
y Tensor int32
  • Teclas supervisadas (Ver as_supervised ): ({'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 ): no compatible.

  • Ejemplos ( tfds.as_dataframe ):

  • Cita :
@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}
}