Une approche bayésienne non paramétrique de sélection de variables pour la modélisation de l'uplift - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Une approche bayésienne non paramétrique de sélection de variables pour la modélisation de l'uplift

Nicolas Voisine
  • Fonction : Auteur
  • PersonId : 1167827
Marc Boullé
  • Fonction : Auteur
  • PersonId : 1167828

Résumé

Le présent article est un résumé de l'article Rafla et al. (2022) publié à la conférence ECML/PKDD 2022. La modélisation de l'uplift vise à estimer l'impact d'un traitement sur un individu, tel qu'une campagne de marketing ou d'un médicament. Les données d'uplift des banques ou des télécoms comportent souvent des centaines voire des milliers de variables. Dans de telles situations, la détection des variables non pertinentes est une étape essentielle pour réduire le temps de calcul et augmenter la performance du modèle. Nous présentons une méthode bayésienne de sélection de variable sans paramètres pour la modélisation de l'uplift. Cette méthode repose sur une méthode de discrétisation automatique des variables selon une approche bayésienne. Les expériences montrent que la nouvelle méthode permet à la fois d'éliminer les variables non pertinentes et d'obtenir de meilleures performances que les méthodes de l'état de l'art.
Fichier principal
Vignette du fichier
EGC2023_UPLIFT.pdf (417.01 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04024418 , version 1 (10-03-2023)

Identifiants

  • HAL Id : hal-04024418 , version 1

Citer

Mina Rafla, Nicolas Voisine, Bruno Cremilleux, Marc Boullé. Une approche bayésienne non paramétrique de sélection de variables pour la modélisation de l'uplift. 23ème Journées Francophones Extraction et Gestion de Connaissances (EGC 2023), Jan 2023, Lyon, France. pp.523-530. ⟨hal-04024418⟩
61 Consultations
16 Téléchargements

Partager

Gmail Facebook X LinkedIn More