评估模型预测结果好坏，需要的是ground-truth label，比如预测用户的优惠敏感度，其实无法评估

y_train, X_train, treatment_train, _, _, _ = synthetic_data(mode=1, n=1000, p=5, sigma=1.0)

lr_s_regressor = LRSRegressor()

lr_s_regressor.fit(X_train, treatment_train, y_train)


_, X_test, treatment_test, _, _, _ = synthetic_data(mode=1, n=1000, p=5, sigma=1.0)

# treatment_test 的值应都是1

predict_treatment_effect = lr_s_regressor.predict(X_test, treatment_test)

print(predict_treatment_effect[0])

的​​predict_treatment_effect​​即为预测的用户的优惠敏感度，

然后

模型圈定的​​predict_treatment_effect​​高的用户 认为优惠敏感度高，如何评估？

没法评估，因为 优惠敏感度程度 没有 ground truth。（下单多少有label，但是发优惠券后下单多少没有label）

同理，item选品 / item候选池 圈定，也需要有 ground truth items/label 才能 评估 选品的好坏：

如果我们训练一个 user-item match/喜好 模型，模型学习了user对于 现有item候选池 里的items偏好，那么我们可以 用这个模型预测 新增item或者剔除item的 user-item match score（对于全部相关user），但其实这时也是没有 test dataset 的 ground truth 的。