criteo

Descrizione :

Set di dati di modellazione Criteo Uplift

Questo set di dati viene rilasciato insieme al documento: "A Large Scale Benchmark for Uplift Modeling" Eustache Diemert, Artem Betlei, Christophe Renaudin; (Criteo AI Lab), Massih-Reza Amini (LIG, Grenoble INP)

Questo lavoro è stato pubblicato in: AdKDD 2018 Workshop, in concomitanza con KDD 2018.

Descrizione dei dati

Questo set di dati è costruito assemblando i dati risultanti da diversi test di incrementalità, una particolare procedura di sperimentazione randomizzata in cui si impedisce a una parte casuale della popolazione di essere presa di mira dalla pubblicità. è composto da 25 milioni di righe, ognuna delle quali rappresenta un utente con 11 caratteristiche, un indicatore di trattamento e 2 etichette (visite e conversioni).

Campi

Ecco una descrizione dettagliata dei campi (sono separati da virgole nel file):

f0, f1, f2, f3, f4, f5, f6, f7, f8, f9, f10, f11: valori delle caratteristiche (dense, float)
trattamento: gruppo di trattamento (1 = trattato, 0 = controllo)
conversione: se si è verificata una conversione per questo utente (binario, etichetta)
visit: se si è verificata una visita per questo utente (binario, etichetta)
esposizione: effetto del trattamento, se l'utente è stato effettivamente esposto (binario)

Figure chiave

Formato: CSV
Dimensione: 459 MB (compresso)
Righe: 25.309.483
Tasso medio di visite: 0,04132
Tasso di conversione medio: 0,00229
Rapporto di trattamento: .846

Compiti

Il set di dati è stato raccolto e preparato tenendo presente la previsione dell'aumento come compito principale. Inoltre possiamo prevedere usi correlati come, a titolo esemplificativo ma non esaustivo:

punto di riferimento per l'inferenza causale
modellazione del sollevamento
interazioni tra caratteristiche e trattamento
eterogeneità del trattamento
punto di riferimento per i metodi di causalità osservativa
Documentazione aggiuntiva : Esplora documenti con codice
Pagina iniziale : https://ailab.criteo.com/criteo-uplift-prediction-dataset/
Codice sorgente : tfds.recommendation.criteo.Criteo
Versioni :
- 1.0.0 : Versione iniziale.
- 1.0.1 (predefinito): Corretta l'analisi dei campi conversion , visit ed exposure .
Dimensione del download : 297.00 MiB
Dimensione del set di dati: 3.55 GiB
Cache automatica ( documentazione ): No
Divisioni :

Diviso	Esempi
`'train'`	13.979.592

Struttura delle caratteristiche :

FeaturesDict({
    'conversion': bool,
    'exposure': bool,
    'f0': float32,
    'f1': float32,
    'f10': float32,
    'f11': float32,
    'f2': float32,
    'f3': float32,
    'f4': float32,
    'f5': float32,
    'f6': float32,
    'f7': float32,
    'f8': float32,
    'f9': float32,
    'treatment': int64,
    'visit': bool,
})

Documentazione delle funzionalità :

Caratteristica	Classe	Tipo D
	CaratteristicheDict
conversione	Tensore	bool
esposizione	Tensore	bool
f0	Tensore	galleggiante32
f1	Tensore	galleggiante32
f10	Tensore	galleggiante32
f11	Tensore	galleggiante32
f2	Tensore	galleggiante32
f3	Tensore	galleggiante32
f4	Tensore	galleggiante32
f5	Tensore	galleggiante32
f6	Tensore	galleggiante32
f7	Tensore	galleggiante32
f8	Tensore	galleggiante32
f9	Tensore	galleggiante32
trattamento	Tensore	int64
visitare	Tensore	bool

Chiavi supervisionate (vedi as_supervised doc ): ({'exposure': 'exposure', 'f0': 'f0', 'f1': 'f1', 'f10': 'f10', 'f11': 'f11', 'f2': 'f2', 'f3': 'f3', 'f4': 'f4', 'f5': 'f5', 'f6': 'f6', 'f7': 'f7', 'f8': 'f8', 'f9': 'f9', 'treatment': 'treatment'}, 'visit')
Figura ( tfds.show_examples ): non supportato.
Esempi ( tfds.as_dataframe ):

Citazione :

@inproceedings{Diemert2018,
author = { {Diemert Eustache, Betlei Artem} and Renaudin, Christophe and Massih-Reza, Amini},
title={A Large Scale Benchmark for Uplift Modeling},
publisher = {ACM},
booktitle = {Proceedings of the AdKDD and TargetAd Workshop, KDD, London,United Kingdom, August, 20, 2018},
year = {2018}
}

Descrizione :