一直以来机器学习希望解决的一个问题就是'what if'，也就是决策指导： 如果我给用户发优惠券用户会留下来么？ 如果患者服了这个药血压会降低么？ 如果APP增加这个功能会增加用户的使 ...

Hetergeneous Treatment Effect旨在量化实验对不同人群的差异影响，进而通过人群定向/数值策略的方式进行差异化实验，或者对实验进行调整。Double Machine Learn ...

Meta Learner和之前介绍的Causal Tree直接估计模型不同，属于间接估计模型的一种。它并不直接对treatment effect进行建模，而是通过对response effect(ta ...

背景 都说随机是AB实验的核心，为什么随机这么重要呢？有人说因为随机所以AB组整体不存在差异，这样才能准确估计实验效果（ATE） \[ATE = E(Y_t(1) - Y_c(0)) \] ...

背景 AB实验可谓是互联网公司进行产品迭代增加用户粘性的大杀器。但人们对AB实验的应用往往只停留在开实验算P值，然后let it go。。。let it go 。。。 让我们把AB实验的结果简单的 ...

这篇是treatment effect估计相关的论文系列第一篇所以会啰嗦一点多给出点背景。 论文 Athey, S., and Imbens, G. 2016. Recursive partiti ...

CACE全称Compiler Average Casual Effect或者Local Average Treatment Effect。在观测数据中的应用需要和Instrument Variable ...

已知特征\(X=x_1\)的样本呈现\(Y=y_1\)的特点,或者\(Y=y_1\)的样本有\(X=x_1\)的特征，如何计算干预X对Y的影响 Eg. 看快手视频喜欢评论的用户活跃程度更高，那引导用户 ...

这篇论文是在 Recursive Partitioning for Heterogeneous Causal Effects 的基础上加入了两个新元素： Trigger：对不同群体的treat ...

一直在关注可解释机器学习领域，因为确实在工作中有许多应用 模型检查，特征重要性是否符合预期和AUC一样重要 模型解释，比起虚无缥缈的模型指标，解释模型学到的规律更能说服业务方 样本解释 ...