論文の概要: Interpretable Multiple Treatment Revenue Uplift Modeling

• arxiv url: http://arxiv.org/abs/2101.03336v1
• Date: Sat, 9 Jan 2021 11:29:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 07:22:03.160480
• Title: Interpretable Multiple Treatment Revenue Uplift Modeling
• Title（参考訳）: 解釈可能な多重治療歳入上昇モデル
• Authors: Robin M. Gubela and Stefan Lessmann
• Abstract要約: アップリフトモデルは、治療による顧客の行動の変化を予測することで、企業の意思決定をサポートします。 本稿は,複数の治療と連続的な結果に対する上昇モデルを開発することにより,対応するアプローチを拡張する。
• 参考スコア（独自算出の注目度）: 4.9571232160914365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Big data and business analytics are critical drivers of business and societal transformations. Uplift models support a firm's decision-making by predicting the change of a customer's behavior due to a treatment. Prior work examines models for single treatments and binary customer responses. The paper extends corresponding approaches by developing uplift models for multiple treatments and continuous outcomes. This facilitates selecting an optimal treatment from a set of alternatives and estimating treatment effects in the form of business outcomes of continuous scale. Another contribution emerges from an evaluation of an uplift model's interpretability, whereas prior studies focus almost exclusively on predictive performance. To achieve these goals, the paper develops revenue uplift models for multiple treatments based on a recently introduced algorithm for causal machine learning, the causal forest. Empirical experimentation using two real-world marketing data sets demonstrates the advantages of the proposed modeling approach over benchmarks and standard marketing practices.
• Abstract（参考訳）: ビッグデータとビジネス分析は、ビジネスと社会変革の重要な要因である。 昇降モデルは、治療による顧客の行動の変化を予測することによって、企業の意思決定を支援する。 先行研究では、単一治療とバイナリ顧客の応答のモデルを調べます。 本稿は,複数の治療と連続的な結果に対する上昇モデルを開発することにより,対応するアプローチを拡張する。 これにより、一連の選択肢から最適な治療を選択し、継続的なスケールのビジネス成果の形で治療効果を見積もることができる。 もう一つの貢献は、昇降モデルの解釈可能性の評価から生じるが、先行研究は予測性能にのみ焦点をあてている。 これらの目標を達成するために,最近導入された因果学習アルゴリズムである因果林に基づいて,複数の治療に対する収益引き上げモデルを構築した。 2つの実世界のマーケティングデータセットを用いた実証実験は、ベンチマークや標準的なマーケティングプラクティスよりも提案されたモデリングアプローチの利点を示している。

関連論文リスト

• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• Decision-Focused Forecasting: Decision Losses for Multistage Optimisation [0.0]
  本稿では,予測の時間的時間的決定効果を考慮した多層モデルである決定中心予測を提案する。 本モデルでは,予測による状態パスを考慮した調整を行った。 エネルギー貯蔵調停タスクへのモデルの適用を実証し,本モデルが既存手法より優れていることを報告する。
  論文  参考訳（メタデータ） (2024-05-23T15:48:46Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Uplift vs. predictive modeling: a theoretical analysis [1.2412255325209152]
  本稿では,理論的基礎から始まり,昇降・予測的手法の性能に影響を及ぼすパラメータを明らかにすることから,その主題を包括的に扱うことを提案する。 本論文は,二項帰結事例と二項作用に着目し,古典的予測手法と比較し,昇降モデリングの理論的解析を行った。
  論文  参考訳（メタデータ） (2023-09-21T12:59:17Z)
• Efficient Real-world Testing of Causal Decision Making via Bayesian Experimental Design for Contextual Optimisation [12.37745209793872]
  文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。 過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
  論文  参考訳（メタデータ） (2022-07-12T01:20:11Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• Sample Efficient Reinforcement Learning via Model-Ensemble Exploration and Exploitation [3.728946517493471]
  MEEEは楽観的な探索と重み付けによる搾取からなるモデルアンサンブル法である。 我々の手法は、特にサンプル複雑性において、他のモデルフリーおよびモデルベース最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2021-07-05T07:18:20Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Introduction to Rare-Event Predictive Modeling for Inferential Statisticians -- A Hands-On Application in the Prediction of Breakthrough Patents [0.0]
  本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。 両フィールド間の潜在的な相乗効果について考察する。 我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
  論文  参考訳（メタデータ） (2020-03-30T13:06:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。