摘要：uplift Tree 和causal tree一样，uplift tree[8]作为一种以分类任务为主的，同样是将因果效应apply到节点分割的标准中。区别是：causal tree：1）使用honest的方法；2) 从effect 的偏差和方差的角度切入指导树的构建，把分类问题转化为回归问题去做 阅读全文

摘要：广义随机森林 了解causal forest之前，需要先了解其forest实现的载体：GENERALIZED RANDOM FORESTS[6]（GRF) 其是随机森林的一种推广， 经典的随机森林只能去估计label Y，不能用于估计复杂的目标，比如causal effect，Causal Tree 阅读全文

摘要：Tree-Based Algorithms Tree-based这类方法，和之前meta-learning 类的方法最明显的区别是: 这类方法把causal effect 的计算显示的加入了到了树模型节点分裂的标准中 从 response时代过渡到了effect时代。 大量的这类算法基本围绕着树节点 阅读全文

摘要：什么是因果推断？ 因果推断(Causal Inference)：就是预估对某个对象/群体/人 等 做不做某种干预后产生的结果。 常说‘关系不代表因果’. 比如，一项研究表面，吃早餐的女孩比不吃早餐的女孩更瘦，因此得出结论：‘吃早餐能减肥‘。 但事实上，吃早餐和瘦这2件事也许只是存在相关性，瘦并不是吃 阅读全文