Causal ML学习笔记

项目名称：Causal ML: A Python Package for Uplift Modeling and Causal Inference with ML

项目名称：Causal ML：使用机器学习进行提升建模和因果推理的Python包

CausalML是uber的开源项目，用于使用机器学习方法进行提升建模和因果推理方法。它允许用户从实验或观察数据估计条件平均治疗效果(CATE)或个体治疗效果(ITE)。

 

从本质上讲，它可以估计具有观察特征X的用户T对结果Y干预的因果关系，而无需对模型形式做出强烈假设。

典型的用例：

1. 广告系列定位优化：在广告系列中提高投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面具有良好响应的一组客户。CATE通过根据A / B实验或历史观察数据在各个级别上的广告展示来评估KPI的影响，从而识别这些客户。
2. 个性化参与：公司有多种与客户互动的选择，例如在向上销售或通讯渠道中选择不同的产品。可以使用CATE来评估每个客户的异质治疗效果以及最佳个性化推荐系统的治疗选项组合。

该软件包当前支持以下方法

1.基于树的算法

(1).基于KL散度、欧几里得、卡方等计算距离公式的提升树/随机森林

(2).基于情境处理选择的提升树/随机森林

注：提升树方法由一组使用基于树的算法的方法组成，其中分裂标准基于提升的差异。

2.元学习器算法

(1).S-learner

(2).T-learner

(3).X-learner

(4).R-learner

注：

1. 元算法（或元学习器）是使用任何机器学习估计器（称为基础学习器）估计条件平均治疗效果（CATE）的框架。
2. 元算法使用一个单一的基础学习器，同时将治疗指标作为特征（例如S学习器），或针对每个治疗组和对照组分别使用多个基础学习器（例如T学习器，X学习器和R-学习器）学习者）。
3. 元学习器通常是循环网络，以便记住之前是如何校正学习器模型的。元学习器：将学习问题分为两个任务，第一个任务是在单独数据集中快速获取知识，第二个任务是为了指导第一个任务，即慢慢地提取所有任务中学习到的精华。元模型是为了更好地泛化和适应新问题。

可解释Causal ML：

Causal ML提供了以下方法来解释经过训练的治疗效果模型：

元学习器哪些特征重要：

示例：

提升树可视化：