Uplift modeling需建模因果效应P(Y=1|X,T=1)−P(Y=1|X,T=0)，Tlearner更鲁棒，用两个分类器分别拟合处理组和对照组再相减；Slearner将T作为特征拼接，需构造交互项防高估；causalml中UpliftTreeClassifier要求y、T均为int型0/1，Qini系数需按uplift排序后计算。
怎么用 Python 做 uplift modeling（不是分类，也不是回归）
Uplift modeling 的目标不是预测“用户会不会买”，而是预测“用户因为收到这个营销动作而多大可能买”——也就是干预的因果效应。直接套用 sklearn 的 LogisticRegression 或 XGBClassifier 会错：它们默认建模的是 P(Y=1 | X)，而不是 P(Y=1 | X, T=1) − P(Y=1 | X, T=0)。必须显式建模处理组和对照组的响应差异。
Slearner 和 Tlearner：选哪个？参数怎么调？
两种最常用、可直接用 Python 实现的基础方法。Slearner 把处理变量 T 当作普通特征拼进特征矩阵，用一个模型拟合 Y ~ X + T；Tlearner 分别训练两个模型：Y[T=1] ~ X 和 Y[T=0] ~ X，再相减得 uplift。实际中 Tlearner 更鲁棒，尤其当两组样本分布差异大时；Slearner 对 T 的系数敏感，容易高估 uplift（尤其当基础响应率高时）。
-
Tlearner推荐用lightgbm.LGBMClassifier或sklearn.ensemble.RandomForestClassifier，两棵树都设class_weight='balanced'，避免对照组样本多导致模型忽略处理组信号 -
Slearner若坚持用，务必在特征工程阶段对T做交互项（如X_i * T），否则模型几乎学不到异质性；sklearn的PolynomialFeatures可辅助生成，但注意维度爆炸 - 两者的预测输出都是概率差值，但
Tlearner的 uplift =model_t.predict_proba(X)[:, 1] - model_c.predict_proba(X)[:, 1]，必须用predict_proba，不能用predict
uplift_tree_classifier 报错 “ValueError: y must be binary” 怎么修？
这是 causalml 库里最常踩的坑：它不接受 [0, 1] 的 y，而要求 y 是二值但标签名必须是字符串或类别型（如 ['control', 'treatment']）。更隐蔽的是，它还强制要求 T（干预变量）也必须是二值且 dtype 为 int，但值只能是 0 和 1（不能是 -1/1 或 True/False）。
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 检查
y.dtype和T.dtype，统一转成int：T = T.astype(int)，y = y.astype(int) - 如果
y是[0, 1]但报错，试试y = pd.Categorical(y).codes或显式映射：y = np.where(y == 1, 'treated', 'control')（取决于你用的是哪个 uplift tree 实现） -
causalml的UpliftTreeClassifier不支持sample_weight，若需加权，得先用sklearn.utils.resample手动过采样
评估 uplift 模型不能只看 AUC，Qini 系数怎么算才靠谱？
标准分类 AUC 对 uplift 没意义——它衡量排序能力，但 uplift 关注的是“排在前 10% 的人里，有多少真因干预而转化”。Qini 系数才是主流指标，本质是 uplift 曲线和随机线围成的面积。但多数人直接调 causalml.metrics.qini_score 却忽略输入格式：它要求传入的是原始预测值（非概率差）、真实 y、干预标识 T，且三者顺序必须严格一致（不能 shuffle 后再切片）。
立即学习“Python免费学习笔记（深入）”；
- 确保
y,T,uplift_preds是同序、等长的 numpy array，且未被重采样打乱 -
uplift_preds必须是模型输出的 raw uplift score（比如Tlearner输出的差值），不是归一化后的分位数 - 计算 Qini 前先做
np.argsort(-uplift_preds)得到排序索引，再按此索引重排y和T，否则曲线会失真 - 小样本下 Qini 波动大，建议同时画出 Qini curve（横轴为累计覆盖率，纵轴为累计 uplift），比单点分数更可信
真正难的不是跑通代码，是确保 T 是随机分配的——如果数据来自历史运营（非 A/B 测试），所有 uplift 模型的估计都带偏误，这时再调参也没用。
