Qini 曲线、AUUC 评估与增益标定

增益模型 (Uplift Model) 离线评估指标体系（Qini 曲线、Qini 分数、AUUC - Area Under Uplift Curve 与 Cumulative Gain 曲线）是数据科学家解决“由于单一个体反事实不可观测，无法像常规分类模型那样直接计算 Accuracy/AUC/LogLoss”的核心评估标准；Qini 曲线绘制步骤：1) 模型打分排序：根据 Uplift 模型预测的增益得分 $\hat{\tau}(x)$ 对测试集用户降序排列；2) 累积计算：取排名前 $k\%$ 的人群，分别统计该人群中实验组正例数 $n_{t, 1}(k)$ 与对照组正例数 $n_{c, 1}(k)$；3) Qini 增益公式：$Q(k) = n_{t, 1}(k) - \frac{N_t(k)}{N_c(k)} n_{c, 1}(k)$（度量若对前 $k$ 人群施加干预，相比不干预能多获得的纯因果净增量正例转化数）；4) AUUC / Qini 曲线与随机基线（连接原点与终点的对角直线）构成的净增益面积；Qini 分数越高，说明模型越能将高增益敏感人群排在头部。

离线 Uplift 算法模型横向选型对比、营销触达预算截断阈值选取、增益模型收益精确标定。

无法直接用真实标签评估 ITE 预测质量；Qini 与 AUUC 从人群统计层面提供了客观、无偏且直接对齐商业净收益的评估曲面。

写出计算累积 Qini 曲线的数学公式 $Q(k) = Y_{t}(k) - \frac{N_t(k)}{N_c(k)} Y_{c}(k)$，并说明为什么需要乘以样本量缩放因子 $\frac{N_t(k)}{N_c(k)}$？

详细对比 Qini 曲线与 AUUC (Cumulative Uplift Curve) 在纵坐标定义与归一化方式上的数学差异？

随机基线 (Random Baseline) 与理想最优基线 (Oracle Upper Bound): 如何在 Qini 曲线图中绘制随机分流的对角线与理论完美的最高收益天花板？

Decile Uplift 分组增益柱状图 (Lift by Decile Chart): 为什么一个优秀 Uplift 模型的 Decile 柱状图必须呈现严格的“从左到右单调递减”分布？

校准性评估 (Uplift Calibration): 如何检验模型预测的增益值 $\hat{\tau}(X) = 0.05$ 与实际 A/B 测试观测到的分组真实增益 $(p_T - p_C)$ 是否精准吻合？