# Uplift 2022-02-16 報告分
## 問題設定
初見のキャンペーンについて効果の高いユーザーを当てる課題
全21キャンペーンについて、２０キャンペーンで訓練 ⇒ 残りの１キャンペーンでテストという形で実験
+キャンペーン特徴の組み合わせを比較

### 予測モデル
lightGBMの1モデルアプローチ
<img src="https://i.imgur.com/oXoefsP.png" width="250">
`UpliftScore = 2P(z=1|x) - 1`
> Jaskowski+, Uplift modeling for clinical trial data, 2012

## キャンペーン特徴を入れて学習
２０キャンペーンで訓練 ⇒ 残りの１キャンペーンでテスト
cpn特徴なし：青、cpn特徴あり：緑
全31通りのcpn特徴組み合わせを比較
- 配信期間
- 配信予算
- サイズ別入稿数
- 広告訴求
- 店舗カテゴリ

### 共有ファイル内容
* 各cpn特徴の性能比較：`キャンペーン情報.xlsx`

## 結果と考察
Baselineと比較して改善したものは最大15cpn/21cpnで、そのときのcpn特徴量は「期間+予算+請求」または「予算+サイズ+訴求」
AUUCが正のもの（つまりランダム介入との比較）に限定すると最大11cpn/21cpnで、そのときのcpn特徴量は「期間+予算+訴求」
店舗カテゴリで性能が良くなりそうだという期待をしていたがそうでもなかった
one-hot部分はfeature importanceが低い
<img src="https://i.imgur.com/pudPWMB.png" width="300">