# Modelowanie uplift i efekty heterogeniczne

EN: **Uplift modelling and heterogeneous treatment effects** · id `upliftmodeling` · aliases: uplift modeling, uplift modelling, incremental response modeling, true lift modeling, modelowanie przyrostowe

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Fundamenty i rozumowanie](https://aiatlasgraph.com/t/foundations.md) › [Modele probabilistyczne](https://aiatlasgraph.com/t/probabilistic.md) › [Wnioskowanie przyczynowe](https://aiatlasgraph.com/t/causalinference.md) › Modelowanie uplift i efekty heterogeniczne

## Description

- PL: Estymacja warunkowego średniego efektu (CATE) dla segmentów lub osób, by kierować interwencję tam, gdzie najbardziej zmienia wynik.
- EN: Estimating the conditional average treatment effect (CATE) for segments or individuals to target an intervention where it changes outcomes most.

## In one sentence

- PL: Przewidujesz nie to, kto kupi, tylko komu twoja akcja naprawdę zmieni decyzję.
- EN: You predict not who will buy, but whose decision your action will actually change.

## Problem it solves

- PL: Rabaty i reklamy często trafiają do ludzi, którzy i tak by kupili, albo do tych, których akcja tylko zniechęci.
- EN: Discounts and ads often reach people who would have bought anyway, or people the action merely puts off.

## What it does

- PL: Dla każdej osoby szacuje dwa scenariusze, z akcją i bez niej, i kieruje ograniczony budżet tam, gdzie różnica jest największa.
- EN: For each person it estimates two scenarios, with and without the action, and sends a limited budget where the gap is largest.

## Everyday example

- PL: Aplikacja ma ograniczoną pulę kuponów. Zamiast dać je najaktywniejszym, daje je tym, którzy bez kuponu najpewniej by zrezygnowali.
- EN: An app has a limited pool of coupons. Instead of giving them to the most active users, it gives them to those most likely to quit without one.

## This concerns you if you…

- PL: rozdzielasz ograniczony budżet na rabaty lub kontakty
- PL: chcesz dopasować działania do tego, jak ludzie na nie reagują
- EN: split a limited budget for discounts or outreach
- EN: want to tailor actions to how people respond

## Keywords

CATE · S-learner · T-learner · X-learner · causal forest · Qini curve · uplift curve · CausalML · EconML · policy learning

## How it works

- PL: Meta-uczniowie budują estymator CATE z dowolnych regresorów: S-learner (jeden model z interwencją jako cechą), T-learner (osobny model dla każdej grupy) i X-learner (imputacja efektów ważona wynikiem skłonności). Lasy przyczynowe dzielą przestrzeń cech pod kątem różnic efektu i dają przedziały ufności. Modele ocenia się krzywymi uplift i Qini na danych z eksperymentu.
- EN: Meta-learners build a CATE estimator from any regressor: the S-learner (one model with treatment as a feature), T-learner (one model per group) and X-learner (imputed effects weighted by the propensity score). Causal forests split the feature space by effect differences and provide confidence intervals. Models are evaluated with uplift and Qini curves on experimental data.

## Limits

- PL: Efektu pojedynczej osoby nie obserwuje się, więc nie ma zwykłej miary trafności; ocena wymaga danych z losowania lub silnych założeń. S-learner ściąga efekty ku zeru, T-learner zawodzi przy małej grupie. Na danych obserwacyjnych błędy od zakłócaczy przenoszą się na ranking.
- EN: Individual effects are never observed, so there is no ordinary accuracy measure; evaluation needs randomised data or strong assumptions. The S-learner shrinks effects towards zero, the T-learner fails with a small group. On observational data confounding errors carry into the ranking.

## Key terms

- PL: **CATE**: Średni efekt działania dla osób o danych cechach.
- PL: **meta-uczeń**: Przepis, jak ze zwykłych modeli zbudować estymator efektu.
- PL: **krzywa Qini**: Wykres zysku z kierowania akcji według rankingu modelu.
- EN: **CATE**: Average effect of an action for people with given characteristics.
- EN: **meta-learner**: A recipe for building an effect estimator from ordinary models.
- EN: **Qini curve**: Plot of the gain from targeting by the model's ranking.

## Know first

- [Las losowy i bagging (Random forests and bagging)](https://aiatlasgraph.com/t/randomforest.md)
- [Wynik skłonności: dopasowanie i ważenie (propensity score) (Propensity score matching and weighting)](https://aiatlasgraph.com/t/propensityscore.md)

## Related topics

Untyped, symmetric "see also" links.

- [Podwójne uczenie maszynowe (DML) (Double/debiased machine learning (DML))](https://aiatlasgraph.com/t/doubleml.md)
- [Szacowanie, komu leczenie pomoże (efekt indywidualny) (Individualised treatment effect estimation)](https://aiatlasgraph.com/t/treatmenteffects.md)

## Sources

- [Matheus Facure · Causal Inference for the Brave and True (online handbook with Python code)](<https://matheusfacure.github.io/python-causality-handbook/>) `facure-brave-true` · by Matheus Facure
- [Estimation and Inference of Heterogeneous Treatment Effects using Random Forests](<https://arxiv.org/abs/1510.04342>) `wager-athey-causal-forest` · by Stefan Wager, Susan Athey

---

AI Atlas revision 131 (2026-11-07) · HTML: https://aiatlasgraph.com/t/upliftmodeling · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-07