Skip to content

feat(who_should_be_treated): Policy Learning 노트북 추가#2

Open
Funbucket wants to merge 6 commits intomainfrom
feat/who-should-be-treated
Open

feat(who_should_be_treated): Policy Learning 노트북 추가#2
Funbucket wants to merge 6 commits intomainfrom
feat/who-should-be-treated

Conversation

@Funbucket
Copy link
Copy Markdown
Collaborator

@Funbucket Funbucket commented May 10, 2026

Summary

  • Policy learning 노트북 (who_should_be_treated_ko.ipynb) 추가
  • DRLearner, DRPolicyTree, DRPolicyForest 세 가지 정책학습 방법 비교
  • 비용(cost) 설정 및 AIPW Score 기반 정책 평가

Test plan

  • 노트북 전체 셀 순서대로 실행 확인
  • 비용 곡선(policy_cost_curve) 정상 출력 확인
  • 정책 평가 95% CI 컬럼 정상 출력 확인
  • book 빌드 후 페이지 렌더링 확인

🤖 Generated with Claude Code

Funbucket and others added 3 commits April 15, 2026 14:06
pypdf·pdfplumber·reportlab 기반 PDF 읽기, 병합, 분할, 폼 작성,
OCR 등 전 처리 워크플로를 커버하는 스킬 추가.
참조 문서 및 유틸리티 스크립트 포함.

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
- 4-arm 정책학습 분석 노트북 최초 추가
- DRLearner plug-in / DRPolicyTree / DRPolicyForest 세 방법론 구현
- 불확실 비용(LogNormal) 반영한 Y_net 기반 학습 및 평가
- AIPW score 구성 및 정책 가치 비교 (상수 정책 대비 통계적 유의성 검정)
- 섹션 구조: 데이터와 설정 → 탐색과 진단 → 정책학습 방법론 → 정책 비교 → 결론

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
- 정책 평가 테이블에 95% CI 추가 (ci_lower, ci_upper)
- 비용 곡선 셀 복원 (고객별 E[C|X] 추정 + policy_cost_curve)
- 통계적 유의성 섹션을 정책 평가에 통합 (별도 헤더 제거)
- 처치 배정 분석, 하위집단 효과 차이 섹션 삭제
- 결론 섹션 핵심 수치 중심으로 개선

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
@Funbucket Funbucket self-assigned this May 10, 2026
@Funbucket Funbucket requested a review from jhkimon May 10, 2026 05:34
@Funbucket Funbucket changed the title feat(who_should_be_treated): 정책학습 노트북 추가 및 개선 feat(who_should_be_treated): Policy Learning 노트북 추가 May 10, 2026
Funbucket

This comment was marked as off-topic.

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment

Labels

None yet

Projects

None yet

Development

Successfully merging this pull request may close these issues.

1 participant