Upload 9 files

data/clients.csv.gz

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b8985170e03dc65fa532fb6b8ca6dd70ea5c30c35ea7c1019ee6ea2034d04099
+size 7634884

data/products.csv.gz

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6b72e025ff77974940ebdba63998a4349ae290a33efeb41f29989fdea6e96573
+size 1054470

data/purchases.csv.gz

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1342e14e1aa9d39dc242f1b66c903f0576fd184af9dc5a3bbe932607dc2d8aba
+size 608830890

data/uplift_sample_submission.csv.gz

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7dabb06e80f94e00137d694231ee4de1c03994176367d711cb8e7bbb3253a877
+size 3179230

data/uplift_test.csv.gz

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8b98fe6ee94478253f40e7ed7ebbbefeb47c78ab37fd41111f3b35b8b69373e0
+size 1074829

data/uplift_train.csv.gz

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:23aced68634c605acb93a7ab450aabac1a0ce0c8104e59ffed9941109ddc4ccd
+size 1182429

description.txt

@@ -0,0 +1,17 @@
+RetailHero Uplift Modeling
+==========================
+
+Задача на uplift-моделирование. Необходимо отранжировать клиентов по убыванию эффективности коммуникации.
+
+Страница соревнования: https://retailhero.ai/c/uplift_modeling/
+
+Доступные данные:
+- data/clients.csv — информация о клиентах
+- data/products.csv — информация о товарах
+- data/purchases.csv — история покупок клиентов до смс кампании
+- data/uplift_train.csv — обучающая выборка клиентов, информация о коммуникации и конверсии
+- data/uplift_test.csv — тестовые клиенты, для которых необходимо оценить uplift
+
+Пример решения: uplift_solution.py
+
+Перед запуском, необходимо установить библиотеки из requirements.txt

requirements.txt

@@ -0,0 +1,3 @@
+pandas~=0.25.3
+scikit-learn~=0.21.3
+numpy~=1.17.4

uplift_solution.py

@@ -0,0 +1,96 @@
+import pandas
+import datetime
+import numpy as np
+from sklearn.base import clone
+from sklearn.model_selection import train_test_split
+from sklearn.ensemble import GradientBoostingClassifier
+
+
+def uplift_fit_predict(model, X_train, treatment_train, target_train, X_test):
+    """
+    Реализация простого способа построения uplift-модели.
+    
+    Обучаем два бинарных классификатора, которые оценивают вероятность target для клиента:
+    1. с которым была произведена коммуникация (treatment=1)
+    2. с которым не было коммуникации (treatment=0)
+    
+    В качестве оценки uplift для нового клиента берется разница оценок вероятностей:
+    Predicted Uplift = P(target|treatment=1) - P(target|treatment=0)
+    """
+    X_treatment, y_treatment = X_train[treatment_train == 1, :], target_train[treatment_train == 1]
+    X_control, y_control = X_train[treatment_train == 0, :], target_train[treatment_train == 0]
+    model_treatment = clone(model).fit(X_treatment, y_treatment)
+    model_control = clone(model).fit(X_control, y_control)
+    predict_treatment = model_treatment.predict_proba(X_test)[:, 1]
+    predict_control = model_control.predict_proba(X_test)[:, 1]
+    predict_uplift = predict_treatment - predict_control
+    return predict_uplift
+
+
+def uplift_score(prediction, treatment, target, rate=0.3):
+    """
+    Подсчет Uplift Score
+    """
+    order = np.argsort(-prediction)
+    treatment_n = int((treatment == 1).sum() * rate)
+    treatment_p = target[order][treatment[order] == 1][:treatment_n].mean()
+    control_n = int((treatment == 0).sum() * rate)
+    control_p = target[order][treatment[order] == 0][:control_n].mean()
+    score = treatment_p - control_p
+    return score
+
+
+# Чтение данных
+
+df_clients = pandas.read_csv('data/clients.csv', index_col='client_id')
+df_train = pandas.read_csv('data/uplift_train.csv', index_col='client_id')
+df_test = pandas.read_csv('data/uplift_test.csv', index_col='client_id')
+
+# Извлечение признаков
+
+df_clients['first_issue_unixtime'] = pandas.to_datetime(df_clients['first_issue_date']).astype(int)/10**9
+df_clients['first_redeem_unixtime'] = pandas.to_datetime(df_clients['first_redeem_date']).astype(int)/10**9
+df_features = pandas.DataFrame({
+    'gender_M': (df_clients['gender'] == 'M').astype(int),
+    'gender_F': (df_clients['gender'] == 'F').astype(int),
+    'gender_U': (df_clients['gender'] == 'U').astype(int),
+    'age': df_clients['age'],
+    'first_issue_time': df_clients['first_issue_unixtime'],
+    'first_redeem_time': df_clients['first_redeem_unixtime'],
+    'issue_redeem_delay': df_clients['first_redeem_unixtime'] - df_clients['first_issue_unixtime'],
+}).fillna(0)
+
+
+# Оценка качества на валидации
+
+indices_train = df_train.index
+indices_test = df_test.index
+indices_learn, indices_valid = train_test_split(df_train.index, test_size=0.3, random_state=123)
+
+valid_uplift = uplift_fit_predict(
+    model=GradientBoostingClassifier(),
+    X_train=df_features.loc[indices_learn, :].fillna(0).values,
+    treatment_train=df_train.loc[indices_learn, 'treatment_flg'].values,
+    target_train=df_train.loc[indices_learn, 'target'].values,
+    X_test=df_features.loc[indices_valid, :].fillna(0).values,
+)
+valid_score = uplift_score(
+    valid_uplift,
+    treatment=df_train.loc[indices_valid, 'treatment_flg'].values,
+    target=df_train.loc[indices_valid, 'target'].values,
+)
+print('Validation score:', valid_score)
+
+
+# Подготовка предсказаний для тестовых клиентов
+
+test_uplift = uplift_fit_predict(
+    model=GradientBoostingClassifier(),
+    X_train=df_features.loc[indices_train, :].fillna(0).values,
+    treatment_train=df_train.loc[indices_train, 'treatment_flg'].values,
+    target_train=df_train.loc[indices_train, 'target'].values,
+    X_test=df_features.loc[indices_test, :].fillna(0).values,
+)
+
+df_submission = pandas.DataFrame({'uplift': test_uplift}, index=df_test.index)
+df_submission.to_csv('submission.csv')