# Uplift 2022-01-19 報告分
### 今後(再掲)
- テストデータを揃える（前回解決済）
- AUUCを表にするなどして定性的に評価
- feature impotanceを見てみる（cpn特徴が効いていることを期待）

## 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
+One model approachを試してみました
+feature importanceを見てみました
(+Factorization Machineを試しています)

### 予測モデル
lightGBMの2モデル予測
`UpliftScore = 介入したときに訪れる確率 - 介入しなかったときに訪れる確率`

lightGBMの1モデル予測
<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

### 共有ファイル内容
* one model approachの結果：`one_model/`
* feature importance：`feature_importance/`
* 各モデル&cpnの性能比較：`scores.xlsx`

## 結果と考察
one model approachでは11/21cpnで性能が向上と微増しているが、Baselineの性能が下がったのが原因という印象もあります。
feature_importanceを見ると、cpn_feature の重要度が軒並み低めでした（特にone-hot部分）。
one-hot部分が疎なことが影響している可能性を考え、FMによる学習を検討しています。