• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Заседание научного семинара НУГ «Гетерогенные эффекты воздействия в клиентской аналитике»

6+
Мероприятие завершено

11 октября состоится очередное заседание научного семинара НУГ «Гетерогенные эффекты воздействия в клиентской аналитике» (Лаборатория эмпирического анализа рынков и компаний GAMES). После выступления докладчиков состоится установочная сессия по работе лаборатории GAMES, на которой Алексей Бузмаков расскажет об основных планах и проектах на текущий год, а также о возможностях участия студентов в работе лаборатории.

Заседание состоится 11 октября 2019 года, в 15:00, ауд. 208 (бульвар Гагарина, 37а).

Докладчики: Степан Гоголев (студент 4 курса программы «Экономика») и Дарья Семенова (студент 2-го курса магистратуры «SMART-маркетинг: данные, аналитика, инсайты»).

Тема доклада Степана: Comparison of Machine Learning Algorithms in Restaurant Revenue Prediction

Аннотация доклада: In our work, we address several aspects of applying classical machine learning algorithms to a regression problem. We compare the predictive power to validate our approach on a data about revenue of a large Russian restaurant chain. We pay special attention to solve two problems: data heterogeneity and a high number of correlated features. We describe methods for considering heterogeneity — observations weighting and estimating models on subsamples. We define a weighting function via Mahalanobis distance in the space of features and show its predictive properties on following methods: ordinary least squares regression, elastic net, support vector regression, and random forest.

Тема доклада Дарьи: Сравнение методов оценки индивидуального эффекта от воздействия

Аннотация доклада: На сегодняшний день оценка эффективности воздействия на индивидуальном уровне является важной проблемой во многих областях науки и бизнеса. Например, в маркетинге оценки эффекта воздействия используются для выбора наиболее эффективной промомеханики; в медицине - оценка индивидуальных эффектов воздействия используются для определения оптимальной дозы лекарства для каждого пациента и так далее. В то же время вопрос о выборе наилучшего метода, то есть метода, обеспечивающего наименьшую прогностическую ошибку (например, RMSE) или наибольшую общую (среднюю) величину эффекта, остается открытым. В данной работе мы сравниваем эффективность методов машинного обучения для оценки индивидуальных эффектов воздействия. Сравнение выполняется на наборе данных Criteo Uplift Dataset. В этой статье мы показываем, что комбинация метода логистической регрессии и подхода двух моделей, а также метод Uplift Random Forest обеспечивают наилучшее выявление индивидуального эффекта от воздействия.

Ждем всех с нетерпением!