はじめに 近年計量経済学と機械学習の融合分野の研究が盛り上がりを見せています. 例えば, KDD2018やNeurIPS2018で関連のTutorialが開催されるなどしています. その流れの一つとしてMicrosoft ResearchがEconMLというパッケージを公開していて非常に有用だと思ったので簡単に紹介します. 目次 Conditional Average Treatment Effects Estimation EconMLとは Meta-Learners 用法と簡易実験 さいごに 参考 Conditional Average Treatment Effects Estimation ある特徴量で条件付けた際の介入の因果効果の期待値を Conditional Average Treatment Effects Estimation (CATE)と呼び, 次のように表されます.
最近はお仕事でマーケティングに関わることが多いです。そんな中で、施策が効く人はどんな人?ということを特定・予測する方法を調べており、その過程で見つけたUplift modelingについてまとめました。 Uplift modeling Uplift modelingは、施策の真の効果を推定するためのモデルで、主にマーケティングの文脈で使われます。 マーケティングの施策の実施にはコストが伴います。自社負担のクーポンや、DM・電話・訪問などの営業努力が、ここで言うコストにあたります。 そのため、施策を行って効果がある人 (反応する人と言い、ECサイトであればクーポンを使って購入する人などです) にだけ絞って行いたいものですが、これは特定するのは一筋縄ではいきません。施策によって行動変容するためです。 施策とその後の反応によって、4パターンに分けて考えられます。説得可能とあまのじゃくは行動変容し
from __future__ import division import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns sns.set_style("whitegrid") sns.set_palette("colorblind") %matplotlib inline import datagenerators as dg この投稿では、優れたCausalInferenceパッケージを使用して、観測データしかない状況について因果関係を推論しようとするフレームワークポテンシャル・アウトカムの使用方法の概要を説明します。著者は、その機能に関する一連のブログ投稿を書いています。 ダウンロードできるほとんどのデータセットは静的であるため、この投稿では、自分の関数を使用
機械学習による確率推定とカリブレーション/probabilistic-calibration-on-classification-model
記事の概要 現在、デジタル広告の成長率は著しい。インターネットに接続すると、 多くのページに広告が埋め込まれている。広告には必ず配信している 広告主がおり、多額の広告費用が使われている。 しかし、多くの広告主は費用を下げたいと考えているはずだ。 よって、今回はコンバージョン数を下げずに広告費を減らせる 可能性がある方法を記載する。 広告主が取り扱う広告のKPI 広告主は主に以下の指標でデジタル広告を評価する。 CVs = 訪問ユーザ数(全部) x コンバージョン率 Cost = 訪問ユーザ数(広告経由) x クリック単価 Revenue = 訪問ユーザ数(全部) x コンバージョン率 x 単価 x 購入回数 CPA = Cost / Cvs ROAS = Revenue / Cost 訪問ユーザ数(広告経由) x クリック単価が広告費用となる。 これを下げれば、CPA・ROASも改善する仕
現在、ビジネスの意思決定者は、特定の製品を割引で宣伝する、ウェブサイトに新機能を追加する、営業チームからの投資を増やすなど、戦略のシフトに関するWhat-ifの質問(もし〜したらどうなるか?)に答えるために、介入の因果関係を推定することに頼っています。しかし、すべてのユーザーに関して特定の介入に対して行動を起こすかどうかを知るよりも、2つの選択肢に対する異なるユーザーの異なる反応を理解することに関心が高まっています。介入に対して最も強い反応を示すユーザーの特徴を特定することは、将来のユーザーを異なるグループにセグメントするためのルール作りに役立つ可能性があります。これは、最小のリソースを使用し、最大の利益を得るために政策を最適化するのに役立つ可能性があります。 このケーススタディでは、パーソナライズされた価格設定の例を用いて、EconMLライブラリがこの問題にどのように適合し、堅牢で信頼性
こんにちは。因果推論してますか? 最近、つくりながら学ぶ! Pythonによる因果分析 を読んでてmeta-learnersいいなーって思いました。 meta-learnersは実装自体はそんなに難しくないので自力で実装してもいいんですが、個人的にはeconmlを使うのが手軽で良いです。 ※ econmlのmeta-learnersの解説、簡易な実験についてはusaitoさんの記事が分かりやすいです。 さて、そんなeconmlですが利用するestimatorはsklearnライクなapiである必要があります。 from econml.metalearners import TLearner from sklearn.ensemble import GradientBoostingRegressor est = TLearner(models=GradientBoostingRegresso
はじめに 前にCATEを求めるCausal Treeについての記事を書きました。 saltcooky.hatenablog.com そうなるとMeta-Learnerも気になってきたので、こちらを読みました。 arxiv.org 簡単に内容をまとめます。 事前知識 因果推論 因果推論における詳しい話はこちらをご覧ください。 調査観察データの統計科学―因果推論・選択バイアス・データ融合 (シリーズ確率と情報の科学) 作者:星野 崇宏発売日: 2009/07/29メディア: 単行本 効果検証入門〜正しい比較のための因果推論/計量経済学の基礎 作者:安井 翔太発売日: 2020/01/18メディア: 単行本(ソフトカバー) 平均処置効果:Average Treatment Effect(ATE) 注目する群全体における処理の効果 . ] 個別因果効果:Individual Treatment E
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く