basit

l10n-yer tutucu1 tedavi == 1, 2, 1) test\\(treat <- ifelse(test\\)tedavi == 1, 2, 1) tren\\(y <- ifelse(train\\)y == 1, 2, 1) test\\(y <- ifelse(test\\)y == 1, 2, 1) train\\(ts = NULL test\\)ts = NULL Parametreler: n = örnek sayısı p = öngörücü sayısı ro = öngörücüler arasındaki kovaryans sigma = hata teriminin mutiplieri beta.den = beta 1/beta.den tarafından çarpılır Creator : Leo Guelman leo.guelman@gmail.com Bu veri setini kullanmak için: ```python import tensorflow_datasets as tfds ds = tfds.load('simpte', split='train') for ex ds.take(4): yazdır (ör) ``` [tensorflow_datasets](https://www.tensorflow.org/datasets) hakkında daha fazla bilgi için [kılavuza](https://www.tensorflow.org/datasets/overview) bakın. " />
  • Açıklama :

Tam ad: R's Uplift paketiyle oluşturulan Kişiselleştirilmiş Tedavi Etkileri için Simülasyonlar: https://rdrr.io/cran/uplift/man/sim_pte.html Paket buradan indirilebilir: https://cran.r-project.org /src/katkı/Arşiv/yükseltme/

Aşağıdaki kodla R sürüm 4.1.2'de oluşturulan veri kümesi:

kitaplık(yükseltme)

set.seed(123)

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

tren\(treat <- ifelse(train\)tedavi == 1, 2, 1) test\(treat <- ifelse(test\)tedavi == 1, 2, 1)

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

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

Parametreler: n = numune sayısı p = tahmin edicilerin sayısı ro = tahmin ediciler arasındaki kovaryans sigma = hata teriminin çarpanı beta.den = beta 1/beta.den ile çarpılır

Yaratıcı: Leo Guelman leo.guelman@gmail.com

  • Ana sayfa : https://rdrr.io/cran/uplift/man/sim_pte.html

  • Kaynak kodu : tfds.recommendation.simPTE.Simpte

  • Sürümler :

    • 1.0.0 (varsayılan): İlk sürüm.
  • İndirme boyutu : Unknown size

  • Veri kümesi boyutu : 1.04 MiB

  • Manuel indirme talimatları : Bu veri kümesi, kaynak verileri download_config.manual_dir içine manuel olarak download_config.manual_dir gerektirir (varsayılanı ~/tensorflow_datasets/downloads/manual/ ):
    Lütfen eğitim verilerini indirin: sim_pte_train.csv ve test verileri: sim_pte_test.csv - ~/tensorflow_datasets/downloads/manual/.

  • Otomatik önbelleğe alınmış ( belgeler ): Evet

  • Bölmeler :

Bölmek Örnekler
'test' 2.000
'train' 1.000
  • Özellik yapısı :
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,
})
  • Özellik belgeleri :
Özellik Sınıf Şekil Dtype Tanım
ÖzelliklerDict
X1 tensör tf.float32
X10 tensör tf.float32
X11 tensör tf.float32
X12 tensör tf.float32
X13 tensör tf.float32
X14 tensör tf.float32
X15 tensör tf.float32
X16 tensör tf.float32
X17 tensör tf.float32
X18 tensör tf.float32
X19 tensör tf.float32
X2 tensör tf.float32
X20 tensör tf.float32
X3 tensör tf.float32
X4 tensör tf.float32
X5 tensör tf.float32
X6 tensör tf.float32
X7 tensör tf.float32
X8 tensör tf.float32
X9 tensör tf.float32
davranmak tensör tf.int32
y tensör tf.int32
  • Denetlenen anahtarlar (Bkz as_supervised doc ): ({'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')

  • Şekil ( tfds.show_examples ): Desteklenmez.

  • Örnekler ( tfds.as_dataframe ):

  • alıntı :
@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}
}