semplice

l10n-placeholder1 treat == 1, 2, 1) test\\(treat <- ifelse(test\\)treat == 1, 2, 1) treno\\(y <- ifelse(train\\)y == 1, 2, 1) test\\(y <- ifelse(test\\)y == 1, 2, 1) train\\(ts = NULL test\\)ts = NULL ``` Parametri: - `n` = numero di campioni - `p` = numero di predittori - `ro` = covarianza tra predittori - `sigma` = moltiplicatore dell'errore termine - `beta.den` = beta è moltiplicato per 1/beta.den Creatore: Leo Guelman leo.guelman@gmail.com Per utilizzare questo set di dati: ```python import tensorflow_datasets as tfds ds = tfds.load('simpte' , split='train') for ex in ds.take(4): print(ex) ``` Vedi [la guida](https://www.tensorflow.org/datasets/overview) per maggiori informazioni su [tensorflow_datasets ](https://www.tensorflow.org/datasets). " />
  • Descrizione :

Nome completo: Simulazioni per effetti terapeutici personalizzati

Generato con il pacchetto R's Uplift: https://rdrr.io/cran/uplift/man/sim_pte.html

Il pacchetto può essere scaricato qui: https://cran.r-project.org/src/contrib/Archive/uplift/

Set di dati generato in R versione 4.1.2 con il seguente codice:

  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

Parametri:

  • n = numero di campioni
  • p = numero di predittori
  • ro = covarianza tra predittori
  • sigma = moltiplicatore del termine di errore
  • beta.den = beta è moltiplicato per 1/beta.den

Creatore: Leo Guelman leo.guelman@gmail.com

  • Pagina iniziale : https://rdrr.io/cran/uplift/man/sim_pte.html

  • Codice sorgente : tfds.datasets.simpte.Builder

  • Versioni :

    • 1.0.0 (impostazione predefinita): versione iniziale.

  • Dimensioni del download : Unknown size

  • Dimensione del set di dati : 1.04 MiB

  • Istruzioni per il download manuale : questo set di dati richiede di scaricare manualmente i dati di origine in download_config.manual_dir (il valore predefinito ~/tensorflow_datasets/downloads/manual/ ):
    Scarica i dati di addestramento: sim_pte_train.csv e i dati di test: sim_pte_test.csv in ~/tensorflow_datasets/downloads/manual/.

  • Auto-cache ( documentazione ): Sì

  • Divisioni :

Diviso Esempi
'test' 2.000
'train' 1.000
  • Struttura delle caratteristiche :
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,
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
X1 Tensore galleggiante32
X10 Tensore galleggiante32
X11 Tensore galleggiante32
X12 Tensore galleggiante32
X13 Tensore galleggiante32
X14 Tensore galleggiante32
X15 Tensore galleggiante32
X16 Tensore galleggiante32
X17 Tensore galleggiante32
X18 Tensore galleggiante32
X19 Tensore galleggiante32
X2 Tensore galleggiante32
X20 Tensore galleggiante32
X3 Tensore galleggiante32
X4 Tensore galleggiante32
X5 Tensore galleggiante32
X6 Tensore galleggiante32
X7 Tensore galleggiante32
X8 Tensore galleggiante32
X9 Tensore galleggiante32
trattare Tensore int32
si Tensore int32

  • Chiavi supervisionate (vedi 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 ): non supportato.

  • Esempi ( tfds.as_dataframe ):

  • Citazione :
@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}
}