sencillo

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

l10n-marcador1 tratar == 1, 2, 1) prueba\\(treat <- ifelse(test\\)tratar == 1, 2, 1) entrenar\\(y <- ifelse(train\\)y == 1, 2, 1) probar\\(y <- ifelse(test\\)y == 1, 2, 1) tren\\(ts = NULL test\\)ts = NULL Parámetros: n = número de muestras p = número de predictores ro = covarianza entre predictores sigma = multiplicador del término de error beta.den = beta se multiplica por 1/beta.den Creador : Leo Guelman leo.guelman@gmail.com Para usar este conjunto de datos: ```python import tensorflow_datasets as tfds ds = tfds.load('simpte', split='train') for ex in ds.take(4): print (p. ej.) ``` Consulte [la guía](https://www.tensorflow.org/datasets/overview) para obtener más información sobre [tensorflow_datasets](https://www.tensorflow.org/datasets). " />
  • Descripción :

Nombre completo: Simulaciones para Efectos de Tratamiento Personalizado Generadas con el paquete R's Uplift: https://rdrr.io/cran/uplift/man/sim_pte.html El paquete se puede descargar aquí: https://cran.r-project.org /src/contrib/Archive/uplift/

Conjunto de datos generado en R versión 4.1.2 con el siguiente código:

biblioteca (elevación)

conjunto.semilla(123)

entrenar <- sim_pte(n = 1000, p = 20, rho = 0, sigma = sqrt(2), beta.den = 4) test <- sim_pte(n = 2000, p = 20, rho = 0, sigma = sqrt (2), beta.den = 4)

entrenar\(treat <- ifelse(train\)tratar == 1, 2, 1) probar\(treat <- ifelse(test\)tratar == 1, 2, 1)

tren\(y <- ifelse(train\)y == 1, 2, 1) prueba\(y <- ifelse(test\)y == 1, 2, 1)

tren\(ts = NULL test\)ts = NULL

Parámetros: n = número de muestras p = número de predictores ro = covarianza entre predictores sigma = multiplicador del término de error beta.den = beta se multiplica por 1/beta.den

Creador: Leo Guelman leo.guelman@gmail.com

  • Página de inicio: https://rdrr.io/cran/uplift/man/sim_pte.html

  • Código fuente : tfds.recommendation.simPTE.Simpte

  • Versiones :

    • 1.0.0 (predeterminado): versión inicial.
  • Tamaño de descarga : Unknown size

  • Tamaño del conjunto de datos : 1.04 MiB

  • Instrucciones de descarga manual : este conjunto de datos requiere que descargue los datos de origen manualmente en download_config.manual_dir (el valor predeterminado es ~/tensorflow_datasets/downloads/manual/ ):
    Descargue los datos de capacitación: sim_pte_train.csv y los datos de prueba: sim_pte_test.csv a ~/tensorflow_datasets/downloads/manual/.

  • Almacenamiento automático en caché ( documentación ): Sí

  • Divisiones :

Separar Ejemplos
'test' 2,000
'train' 1,000
  • Estructura de características :
FeaturesDict({
    'X1': tf.float32,
    'X10': tf.float32,
    'X11': tf.float32,
    'X12': tf.float32,
    'X13': tf.float32,
    'X14': tf.float32,
    'X15': tf.float32,
    'X16': tf.float32,
    'X17': tf.float32,
    'X18': tf.float32,
    'X19': tf.float32,
    'X2': tf.float32,
    'X20': tf.float32,
    'X3': tf.float32,
    'X4': tf.float32,
    'X5': tf.float32,
    'X6': tf.float32,
    'X7': tf.float32,
    'X8': tf.float32,
    'X9': tf.float32,
    'treat': tf.int32,
    'y': tf.int32,
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
X1 Tensor tf.float32
X10 Tensor tf.float32
X11 Tensor tf.float32
X12 Tensor tf.float32
X13 Tensor tf.float32
X14 Tensor tf.float32
X15 Tensor tf.float32
X16 Tensor tf.float32
X17 Tensor tf.float32
X18 Tensor tf.float32
X19 Tensor tf.float32
X2 Tensor tf.float32
X20 Tensor tf.float32
X3 Tensor tf.float32
X4 Tensor tf.float32
X5 Tensor tf.float32
X6 Tensor tf.float32
X7 Tensor tf.float32
X8 Tensor tf.float32
X9 Tensor tf.float32
tratar Tensor tf.int32
y Tensor tf.int32
  • Teclas supervisadas (Ver as_supervised ): ({'X1': 'X1', 'X10': 'X10', 'X11': 'X11', 'X12': 'X12', 'X13': 'X13', 'X14': 'X14', 'X15': 'X15', 'X16': 'X16', 'X17': 'X17', 'X18': 'X18', 'X19': 'X19', 'X2': 'X2', 'X20': 'X20', 'X3': 'X3', 'X4': 'X4', 'X5': 'X5', 'X6': 'X6', 'X7': 'X7', 'X8': 'X8', 'X9': 'X9', 'treat': 'treat'}, 'y')

  • Figura ( tfds.show_examples ): no compatible.

  • Ejemplos ( tfds.as_dataframe ):

  • Cita :
@misc{https://doi.org/10.48550/arxiv.1212.2995,
  doi = {10.48550/ARXIV.1212.2995},
  url = {https://arxiv.org/abs/1212.2995},
  author = {Tian, Lu and Alizadeh, Ash and Gentles, Andrew and Tibshirani, Robert},
  keywords = {Methodology (stat.ME), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {A Simple Method for Detecting Interactions between a Treatment and a Large Number of Covariates},
  publisher = {arXiv},
  year = {2012},
  copyright = {arXiv.org perpetual, non-exclusive license}
}