煎饼加鸡丝

https://zhuanlan.zhihu.com/p/363866684【Uplift】特征选择篇文章目录【Uplift】特征选择篇Filter方法F-filter和LR-filterBin-Based方法Embed方法特征过滤的效果个人理解本文主要参考论文《Feature Selection Methods for Uplift Modeling》介绍Uplift Modeling中的特征筛选问题，主要包括”Filter方法“和”Embed方法“。具体实现参考CausalML源码。做好特征选择

https://zhuanlan.zhihu.com/p/363082639文章目录线上评估方法离线评估方法Uplift decile chartsCumulative uplift/gainUplift Curve & AUUCQini Curve & Qini Coefficient补充，AUUC和Qini的另一种口径和标准的预测方法不同，由于”反事实“的存在，并没有真实的uplift标签，因此uplift模型无法在样本维度上进行评估。但如果有随机试验采集的数据，则可以用平均水平来评

https://zhuanlan.zhihu.com/p/362788755文章目录概述The Class Transformation MethodMeta-Learning MethodS-LearnerT-LearnerX-LearnerR-LearnerTree-Based MethodUplift-Tree分裂步骤NormalizationApplicationPruning补充：CausalML中可视化图的解释CausalForestCTSNN-Based，DragonNet参考文献概述有

https://zhuanlan.zhihu.com/p/362411150【Uplift】模拟数据篇文章目录【Uplift】模拟数据篇模拟数据集的组成模拟数据集示例[2]R-Learner论文中的4种模拟，也是CausalML中用的，回归A.复杂的组成，简单的因果B.随机试验C.复杂的结果，简单的倾向，固定的因果D.Treat变量与Control变量无关的[3]Feature Selection论文中的模拟数据集，分类[1]CTS论文中的模拟数据集，回归增量建模对数据要求相对严格，尤其是要用于评估模

https://zhuanlan.zhihu.com/p/358582762博客等腾讯广告-uplift广告增效衡量说明https://e.qq.com/ads/adfaq/delivery/tool/08/https://morketing.com/detail/4704一文读懂Uplifthttps://mp.weixin.qq.com/s/FOVggFduHKeDr3jidcmqgA基本是综述论文翻译一遍滴滴：DiDi Food中的智能补贴实战漫谈https://mp.w

https://zhuanlan.zhihu.com/p/362311467文章目录Uplift与因果推断相关、因果、辛普森悖论因果图基本结构前门、后门准则基本假设关键指标倾向性得分、Matching等增量建模面临的问题符号、名词定义梳理参考文献Uplift与因果推断因果推断(Causal Inference)研究如何更加科学识别变量间的因果关系，是Uplift Modeling的理论基础。在通常的预测任务中，我们拟合的实际是Y与X的相关关系，X甚至可以是Y的结果，如GDP和发电量之间可能有一系列复