uplift-model-s-learner-modeling

Name: uplift-model-s-learner-modeling
Author: QFIN-tech

40stars16forks

How to install uplift-model-s-learner-modeling?

qfin-tech/model-evo/uplift-model-s-learner-modeling

$npx -y skills add QFIN-tech/model-evo --skill uplift-model-s-learner-modeling

Installs into the current project.

Summary

已有 confirmed task_config_path、modeling_sample_spec_path 和 feature_plan_path 后，用于训练 baseline S-Learner 模型并输出模型元数据、评估指标、打分表、uplift 分箱、特征重要性和报告。不要用于特征诊断、调参、模型比较或最终报告生成。

Files · 1

View on GitHub

SKILL.md

1	# S-Learner 基线建模
2
3	## 1. 输入依赖
4
5	本 skill 只负责 baseline S-Learner 训练和评估：
6
7	- 读取已确认的 `task_config_path`、`modeling_sample_spec_path` 和 `feature_plan_path`。
8	- 使用 `feature_plan_path` 中的已确认特征列表训练 LightGBM S-Learner。
9	- 输出模型候选、模型元数据、评估指标、打分表、uplift 分箱、特征重要性和报告。
10
11	已有 confirmed `task_config_path`、`modeling_sample_spec_path` 和 `feature_plan_path` 后使用。
12
13	## 2. 执行入口
14
15	统一 CLI：
16
17	```bash
18	python <skill-dir>/scripts/run.py --input - --output-dir <output_dir>
19	```
20
21	Windows 环境可按需将路径分隔符改为反斜杠。
22
23	请求 JSON 必须通过 stdin 传入：
24
25	```json
26	{"action": "train", "payload": {"experiment_id": "exp-001-s_learner_baseline", "task_config_path": "...", "modeling_sample_spec_path": "...", "feature_plan_path": "..."}}
27	```
28
29	runner stdout 是 JSON object。调用方只读取 stdout 或 result JSON 中的 `outputs.*` 字段，例如 `outputs.modeling_result_path`、`outputs.model_candidate_path`、`outputs.report_path`。
30
31	`--output-dir` 必须是已存在的项目运行目录 `run_dir`。`train` 不再写入普通 skill 调用目录，而是写入 `{run_dir}/new-models/{experiment_id}/`。`experiment_id` 由调用方显式提供，runner 只校验安全字符并创建对应 experiment 目录；如果目录已存在，返回 `needs_input` / `EXPERIMENT_ALREADY_EXISTS`，不覆盖、不自动恢复。`candidate_id` 使用 `experiment_id`。
32
33	`outputs.split_evaluations` 使用和 `uplift-model-tuning` winner 一致的结构，按 split 暴露 `population_fingerprint`、`metric_name`、`metric_value`、`metric_method`、`metric_version`、`auuc_version` 和 `support`。`auuc_version` 固定标记 `{"package": "scikit-uplift", "version": "0.5.1"}`。旧的 `outputs.modeling_metrics` 仍保留，供历史链路兼容。
34
35	只接受显式 `_path` / `_paths` 字段。收到旧的 `_ref` / `_refs` 输入时，runner 返回 `needs_input`，并在 `issues` 与 `next_steps` 中给出对应替代字段。
36
37	## 3. Actions 与参数说明
38
39	`train`
40
41	- 输入：`experiment_id`、`task_config_path`、`modeling_sample_spec_path`、`feature_plan_path`。
42	- 可选输入：`parameter_mode`、`parameter_overrides`。
43	- 输出：
44	- `experiment_id`
45	- `experiment_dir`
46	- `modeling_result_path`
47	- `model_candidate_path`
48	- `model_metadata_path`
49	- `evaluation_metrics_path`
50	- `score_frame_path`
51	- `uplift_bins_path`
52	- `feature_importance_path`
53	- `report_path`
54	- `learner`
55	- `modeling_metrics`
56	- `split_evaluations`
57
58	`parameter_mode` 支持：
59
60	- `recommended_defaults`
61	- `user_overrides`
62
63	`parameter_overrides` 只允许 LightGBM 训练参数，例如 `n_estimators`、`learning_rate`、`num_leaves`、`max_depth`、`min_child_samples`、`random_state`、`n_jobs`。
64
65	## 4. 输出产物
66
67	典型输出目录：
68
69	```text
70	{run_dir}/new-models/{experiment_id}/
71	inputs/0001_train.request.json
72	results/0001_train.result.json
73	artifacts/
74	s_learner_model.v1.joblib
75	s_learner_model.v1.txt
76	model_candidate.v1.json
77	model_metadata.v1.json
78	evaluation_metrics.v1.json
79	score_frame.v1.csv
80	uplift_bins.v1.csv
81	feature_importance.v1.csv
82	_experiment_manifest.json
83	_experiment_log.jsonl
84	report.md
85	```
86
87	## 5. 与其他 skill 的关联
88
89	\| 方向 \| Skill \| 关系 \|
90	\|---\|---\|---\|
91	\| 上游 \| `uplift-model-feature-quality-analysis` \| 提供 confirmed `feature_plan_path` \|
92	\| 上游 \| `uplift-model-sample-preparation` \| 提供 confirmed `modeling_sample_spec_path` \|
93	\| 下游 \| `uplift-model-tuning` \| 消费 successful S-Learner `modeling_result_path` 生成调参 study \|
94	\| 下游 \| `uplift-model-result-comparison` \| 消费 `experiment_ids` 或 `modeling_result_path` 参与模型比较 \|
95
96	## 6. 执行约束
97
98	本 skill 不选择特征，不调参，不比较多个模型，不生成最终业务报告。
99
100	`parameter_overrides` 只允许 LightGBM 训练参数，例如 `n_estimators`、`learning_rate`、`num_leaves`、`max_depth`、`min_child_samples`、`random_state`、`n_jobs`。
101
102	## 7. 异常处理
103
104	### 7.1 缺依赖处理
105
106	本 skill 需要 `pandas`、`numpy`、`joblib`、`lightgbm` 和 `scikit-uplift==0.5.1`。runner 不安装依赖。缺包时返回结构化失败，并在 issue/next_steps 中提示阅读本 skill 的缺依赖处理说明，不返回 skill 安装目录文件路径。
107
108	AUUC 由 `sklift.metrics.uplift_auc_score` 和 `sklift.metrics.uplift_curve` 计算.
109
110	### 7.2 字段兼容与 experiment 异常
111
112	只接受显式 `_path` / `_paths` 字段。收到旧的 `_ref` / `_refs` 输入时，runner 返回 `needs_input`，并在 `issues` 与 `next_steps` 中给出对应替代字段。
113
114	如果目标 experiment 目录已存在，返回 `needs_input` / `EXPERIMENT_ALREADY_EXISTS`，不覆盖、不自动恢复。
115
116	## 8. 面向用户回复
117
118	普通用户回复默认使用中文。先给模型训练是否完成、测试集评估质量、主要风险和下一步。不要把 raw JSON、内部目录结构、长路径清单或实现术语作为主回复内容。
119
120	baseline 建模成功后，默认提示“下一步可进行模型调参”。如果当前 run_dir 下已有多个 baseline 模型，则提示“下一步可对当前模型调参，或先进行多模型比较以选择 baseline winner；若选择跳过调参，可直接进入比较”。不要仅因为已有多个 baseline 候选就只推荐多模型比较。
121
122	除非用户明确要求查看 JSON、调试、获取产物路径或手动接力下游流程，否则不要在用户回复中展示工程中的 `.json` 文件路径；`modeling_result_path`、`model_candidate_path` 等 JSON 路径只作为内部/下游输入传递。人类可读报告可以按需给出。
123
124	确需精确交接时，可在“技术详情”里保留 `modeling_result_path`、`model_candidate_path`、`report_path` 等字段名，并说明用途。

People who liked this also viewed

6 picks

Type

uplift-model-s-learner-modeling

40stars16forks

View on GitHub

How to install uplift-model-s-learner-modeling?

qfin-tech/model-evo/uplift-model-s-learner-modeling

$npx -y skills add QFIN-tech/model-evo --skill uplift-model-s-learner-modeling

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# S-Learner 基线建模
2
3	## 1. 输入依赖
4
5	本 skill 只负责 baseline S-Learner 训练和评估：
6
7	- 读取已确认的 `task_config_path`、`modeling_sample_spec_path` 和 `feature_plan_path`。
8	- 使用 `feature_plan_path` 中的已确认特征列表训练 LightGBM S-Learner。
9	- 输出模型候选、模型元数据、评估指标、打分表、uplift 分箱、特征重要性和报告。
10
11	已有 confirmed `task_config_path`、`modeling_sample_spec_path` 和 `feature_plan_path` 后使用。
12
13	## 2. 执行入口
14
15	统一 CLI：
16
17	```bash
18	python <skill-dir>/scripts/run.py --input - --output-dir <output_dir>
19	```
20
21	Windows 环境可按需将路径分隔符改为反斜杠。
22
23	请求 JSON 必须通过 stdin 传入：
24
25	```json
26	{"action": "train", "payload": {"experiment_id": "exp-001-s_learner_baseline", "task_config_path": "...", "modeling_sample_spec_path": "...", "feature_plan_path": "..."}}
27	```
28
29	runner stdout 是 JSON object。调用方只读取 stdout 或 result JSON 中的 `outputs.*` 字段，例如 `outputs.modeling_result_path`、`outputs.model_candidate_path`、`outputs.report_path`。
30
31	`--output-dir` 必须是已存在的项目运行目录 `run_dir`。`train` 不再写入普通 skill 调用目录，而是写入 `{run_dir}/new-models/{experiment_id}/`。`experiment_id` 由调用方显式提供，runner 只校验安全字符并创建对应 experiment 目录；如果目录已存在，返回 `needs_input` / `EXPERIMENT_ALREADY_EXISTS`，不覆盖、不自动恢复。`candidate_id` 使用 `experiment_id`。
32
33	`outputs.split_evaluations` 使用和 `uplift-model-tuning` winner 一致的结构，按 split 暴露 `population_fingerprint`、`metric_name`、`metric_value`、`metric_method`、`metric_version`、`auuc_version` 和 `support`。`auuc_version` 固定标记 `{"package": "scikit-uplift", "version": "0.5.1"}`。旧的 `outputs.modeling_metrics` 仍保留，供历史链路兼容。
34
35	只接受显式 `_path` / `_paths` 字段。收到旧的 `_ref` / `_refs` 输入时，runner 返回 `needs_input`，并在 `issues` 与 `next_steps` 中给出对应替代字段。
36
37	## 3. Actions 与参数说明
38
39	`train`
40
41	- 输入：`experiment_id`、`task_config_path`、`modeling_sample_spec_path`、`feature_plan_path`。
42	- 可选输入：`parameter_mode`、`parameter_overrides`。
43	- 输出：
44	- `experiment_id`
45	- `experiment_dir`
46	- `modeling_result_path`
47	- `model_candidate_path`
48	- `model_metadata_path`
49	- `evaluation_metrics_path`
50	- `score_frame_path`
51	- `uplift_bins_path`
52	- `feature_importance_path`
53	- `report_path`
54	- `learner`
55	- `modeling_metrics`
56	- `split_evaluations`
57
58	`parameter_mode` 支持：
59
60	- `recommended_defaults`
61	- `user_overrides`
62
63	`parameter_overrides` 只允许 LightGBM 训练参数，例如 `n_estimators`、`learning_rate`、`num_leaves`、`max_depth`、`min_child_samples`、`random_state`、`n_jobs`。
64
65	## 4. 输出产物
66
67	典型输出目录：
68
69	```text
70	{run_dir}/new-models/{experiment_id}/
71	inputs/0001_train.request.json
72	results/0001_train.result.json
73	artifacts/
74	s_learner_model.v1.joblib
75	s_learner_model.v1.txt
76	model_candidate.v1.json
77	model_metadata.v1.json
78	evaluation_metrics.v1.json
79	score_frame.v1.csv
80	uplift_bins.v1.csv
81	feature_importance.v1.csv
82	_experiment_manifest.json
83	_experiment_log.jsonl
84	report.md
85	```
86
87	## 5. 与其他 skill 的关联
88
89	\| 方向 \| Skill \| 关系 \|
90	\|---\|---\|---\|
91	\| 上游 \| `uplift-model-feature-quality-analysis` \| 提供 confirmed `feature_plan_path` \|
92	\| 上游 \| `uplift-model-sample-preparation` \| 提供 confirmed `modeling_sample_spec_path` \|
93	\| 下游 \| `uplift-model-tuning` \| 消费 successful S-Learner `modeling_result_path` 生成调参 study \|
94	\| 下游 \| `uplift-model-result-comparison` \| 消费 `experiment_ids` 或 `modeling_result_path` 参与模型比较 \|
95
96	## 6. 执行约束
97
98	本 skill 不选择特征，不调参，不比较多个模型，不生成最终业务报告。
99
100	`parameter_overrides` 只允许 LightGBM 训练参数，例如 `n_estimators`、`learning_rate`、`num_leaves`、`max_depth`、`min_child_samples`、`random_state`、`n_jobs`。
101
102	## 7. 异常处理
103
104	### 7.1 缺依赖处理
105
106	本 skill 需要 `pandas`、`numpy`、`joblib`、`lightgbm` 和 `scikit-uplift==0.5.1`。runner 不安装依赖。缺包时返回结构化失败，并在 issue/next_steps 中提示阅读本 skill 的缺依赖处理说明，不返回 skill 安装目录文件路径。
107
108	AUUC 由 `sklift.metrics.uplift_auc_score` 和 `sklift.metrics.uplift_curve` 计算.
109
110	### 7.2 字段兼容与 experiment 异常
111
112	只接受显式 `_path` / `_paths` 字段。收到旧的 `_ref` / `_refs` 输入时，runner 返回 `needs_input`，并在 `issues` 与 `next_steps` 中给出对应替代字段。
113
114	如果目标 experiment 目录已存在，返回 `needs_input` / `EXPERIMENT_ALREADY_EXISTS`，不覆盖、不自动恢复。
115
116	## 8. 面向用户回复
117
118	普通用户回复默认使用中文。先给模型训练是否完成、测试集评估质量、主要风险和下一步。不要把 raw JSON、内部目录结构、长路径清单或实现术语作为主回复内容。
119
120	baseline 建模成功后，默认提示“下一步可进行模型调参”。如果当前 run_dir 下已有多个 baseline 模型，则提示“下一步可对当前模型调参，或先进行多模型比较以选择 baseline winner；若选择跳过调参，可直接进入比较”。不要仅因为已有多个 baseline 候选就只推荐多模型比较。
121
122	除非用户明确要求查看 JSON、调试、获取产物路径或手动接力下游流程，否则不要在用户回复中展示工程中的 `.json` 文件路径；`modeling_result_path`、`model_candidate_path` 等 JSON 路径只作为内部/下游输入传递。人类可读报告可以按需给出。
123
124	确需精确交接时，可在“技术详情”里保留 `modeling_result_path`、`model_candidate_path`、`report_path` 等字段名，并说明用途。

People who liked this also viewed

6 picks

Type