因果推断-Uplift Model：Meta Learning

上篇介绍了Causal Tree，这篇介绍另一类Uplift Model：Meta Lerning。Meta Lerning与Causal Tree策略的不同点在于，它不像Causal Tree直接将CATE作为目标函数，而是选择一款基学习器先估计target，然后根据实验组和对照组target的变化来估计CATE，是一种间接估计CATE的方法。下面介绍三种Meta Lerning方法：

    1）T-learner：实验组和对照组分别建模，最终得到两个模型。然后将两个模型预测值的差作为  CATE的估计。主要缺陷有两点，一是实验组和对照组模型的bias会积累，导致最终估计的CATE有更大的bias；二是treatment只能是离散值。

    2）S-Learner：实验组和对照组放到一起建模，并把treatment作为特征加入模型中，然后将实验组和对照组预测值的差异作为CATE的估计。一定程度上克服了T-Leraner的缺陷，但是如果本身特征X很多时treatment可能会失去效果，导致估计的CATE接近0。

    3）X-Learner：实验组和对照组分别建模，将对照组放到实验组进行模型预测，将实验组放到对照组进行模型预测，然后将预测值与真实值的差异作为CATE的估计。该方法对实验组和对照组样本不平衡时有较好的表现效果。