prosty

l10n-symbol zastępczy1 traktowanie == 1, 2, 1) test\\(treat <- ifelse(test\\)leczenie == 1, 2, 1) pociąg\\(y <- ifelse(train\\)y == 1, 2, 1) test\\(y <- ifelse(test\\)y == 1, 2, 1) train\\(ts = NULL test\\)ts = NULL ``` Parametry: - `n` = liczba próbek - `p` = liczba predyktorów - `ro` = kowariancja między predyktorami - `sigma` = mnożnik błędu term - `beta.den` = beta jest mnożona przez 1/beta.den Twórca: Leo Guelman leo.guelman@gmail.com Aby użyć tego zestawu danych: ```python import tensorflow_datasets as tfds ds = tfds.load('simpte' , split='train') na przykład w ds.take(4): print(ex) ``` Zobacz [przewodnik](https://www.tensorflow.org/datasets/overview), aby uzyskać więcej informacji na temat [tensorflow_datasets ](https://www.tensorflow.org/datasets). " />
  • opis :

Pełna nazwa: Symulacje dla spersonalizowanych efektów leczenia

Wygenerowane za pomocą pakietu R's Uplift: https://rdrr.io/cran/uplift/man/sim_pte.html

Pakiet można pobrać tutaj: https://cran.r-project.org/src/contrib/Archive/uplift/

Zbiór danych wygenerowany w wersji R 4.1.2 z następującym kodem:

  library(uplift)

  set.seed(123)

  train <- 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)

  train$treat <- ifelse(train$treat == 1, 2, 1)
  test$treat <- ifelse(test$treat == 1, 2, 1)

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

  train$ts = NULL
  test$ts = NULL

Parametry:

  • n = liczba próbek
  • p = liczba predyktorów
  • ro = kowariancja między predyktorami
  • sigma = mnożnik składnika błędu
  • beta.den = beta jest mnożona przez 1/beta.den

Twórca: Leo Guelman leo.guelman@gmail.com

  • Strona główna : https://rdrr.io/cran/uplift/man/sim_pte.html

  • Kod źródłowy : tfds.datasets.simpte.Builder

  • Wersje :

    • 1.0.0 (domyślnie): Wersja początkowa.

  • Rozmiar pliku do pobrania : Unknown size

  • Rozmiar zestawu danych : 1.04 MiB

  • Instrukcje ręcznego pobierania : ten zestaw danych wymaga ręcznego pobrania danych źródłowych do katalogu download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ ):
    Pobierz dane treningowe: sim_pte_train.csv i dane testowe: sim_pte_test.csv do ~/tensorflow_datasets/downloads/manual/.

  • Automatyczne buforowanie ( dokumentacja ): Tak

  • Podziały :

Podział Przykłady
'test' 2000
'train' 1000
  • Struktura funkcji :
FeaturesDict({
    'X1': float32,
    'X10': float32,
    'X11': float32,
    'X12': float32,
    'X13': float32,
    'X14': float32,
    'X15': float32,
    'X16': float32,
    'X17': float32,
    'X18': float32,
    'X19': float32,
    'X2': float32,
    'X20': float32,
    'X3': float32,
    'X4': float32,
    'X5': float32,
    'X6': float32,
    'X7': float32,
    'X8': float32,
    'X9': float32,
    'treat': int32,
    'y': int32,
})
  • Dokumentacja funkcji :
Funkcja Klasa Kształtować się Typ D Opis
FunkcjeDict
X1 Napinacz pływak32
X10 Napinacz pływak32
X11 Napinacz pływak32
X12 Napinacz pływak32
X13 Napinacz pływak32
X14 Napinacz pływak32
X15 Napinacz pływak32
X16 Napinacz pływak32
X17 Napinacz pływak32
X18 Napinacz pływak32
X19 Napinacz pływak32
X2 Napinacz pływak32
X20 Napinacz pływak32
X3 Napinacz pływak32
X4 Napinacz pływak32
X5 Napinacz pływak32
X6 Napinacz pływak32
X7 Napinacz pływak32
X8 Napinacz pływak32
X9 Napinacz pływak32
traktować Napinacz int32
y Napinacz int32

  • Nadzorowane klucze (Patrz 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')

  • Rysunek ( tfds.show_examples ): Nieobsługiwany.

  • Przykłady ( tfds.as_dataframe ):

  • Cytat :
@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}
}