在因果推断领域有一个最基本的问题——对于一个给定的个体，我们不可能知道对它施加各种动作的反应。举一个生活中的例子，商店给客户发优惠券，假如我们给一位用户发了优惠券，我们就只能知道这位用户收到优惠券的反应，我们无法知道他没有收到优惠券的反应。

弹性模型是因果推断的一个子领域，它的目标是学习个体的潜在弹性。假设一共有两个动作 ， 代表“施加动作”； 和  代表个体的响应信号。因此弹性模型学习的是“施加动作相比于不施加动作的响应信号差值”，用公式表示为 。由刚才介绍的因果推断最基本问题可知，在实际数据中是没有弹性  的标签的——我们无法使用回归问题的指标，如 MSE 等指标用在评价弹性模型上。

因为常见的评价指标无法衡量弹性模型训练的好坏，因此诞生了 AUUC 这个指标。AUUC 是一个序指标，它使用弹性模型预估出的弹性  值排序，评价这个序的优劣。从 AUUC 的值和相关的曲线，我们能知道当前弹性模型的很多信息，包括当前数据集的质量、相比随机排序弹性模型的提升等。

本篇文章的服务主题是——如何评价一个弹性模型训练的好坏？介绍当前广泛使用的评价指标 AUUC。本篇由浅入深，从基本定义到应用思考，希望对 AUUC 已经了解的各位也能有小小的帮助。

阅读详情

内容中包含的图片若涉及版权问题，请及时与我们联系删除