Uplift

Uplift models用于预测一个treatment的增量反馈价值。
举个例子来说，假如我们想知道对一个用户展现一个广告的价值，通常的模型只能告诉我们用户在展示广告后的购买意愿很强，但事实很有可能是他们在被展示广告之前就已经很想购买了。Uplift models聚焦于用户被展示广告后购买意愿的增量。

1. 问题定义

即回答如下的问题
$<span class="arithmatex"><span class="MathJax_Preview">lift = P(y|treatment) - P(y|no treatment)</span><script type="math/tex">lift = P(y|treatment) - P(y|no treatment)$

而一般我们的建模是预测
$<span class="arithmatex"><span class="MathJax_Preview">outcome = P(y|treatment)</span><script type="math/tex">outcome = P(y|treatment)$

但是在现实生活中，对于单个人，不存在这样的反事实。即既受到treatment也受到not treated的应用。

2. 方法

1. 分别对实验组和对照组建模，然后求差值。

根据定义，有
$lift = E(y|t) - E(y|c)$

3. 评估

比较典型的评估指标是Qini curve

$$\mathrm{Qini}=\frac{n_{t, 1}(\phi)}{N_{t}}-\frac{n_{c, 1}(\phi)}{N_{c}}$$

其中nt1和nc1分别表示实验组和对照组中outcome为1的人数