知识卡片
标签转换法提升增益
标签转换法(Transformed Outcome)是处理提升模型“无反事实标签”问题的巧妙手段:它把四种状态(发券/不下单、发券/下单、不发券/不下单、不发券/下单)按是否干预 W∈{0,1} 与标签 Y 重新映射成一个转换后的标签 z。当干预概率 p=P(W=1)=0.5 时,转换标签的分布恰好让“控制组与干预组样本的期望”直接对应到提升值,从而可以像普通回归那样对 z 建模得到样本的提升。
其“优雅”之处在于:转换后的标签 z 建立起了控制组与干预组样本期望的等价关系,使原本需要反事实对比的问题,变成了一个可直接用回归/分类模型拟合的监督问题。它和 [[S/T/X/R-Learner]] 是同一目标(估计 τ)的不同技术路线,适合在已有监督训练框架下快速落地,但依赖对 p 的准确估计。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 精排层的样本选择和模型选择 8.5 因果场景 · 查看原书依据
图8-27 因果模型的标签转化 这种标签转化法的“优雅”之处在于其建立起了一个控制组样本和干预组样本的期望,表达为: 式中: ❑ 1,…, n 为控制组
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/103.html;src-052)
- 结论依据:原文给出 Transformed Outcome 的标签转换公式,并指出当 p=0.5 时转换标签建立起控制组/干预组期望、可直接对 z 建回归模型得到提升。
- 原始内容:图8-27 因果模型的标签转化 这种标签转化法的“优雅”之处在于其建立起了一个控制组样本和干预组样本的期望,表达为: 式中: ❑ 1,…, n 为控制组