u013385018的专栏

论文地址https://arxiv.org/pdf/2002.11631.pdf摘要：在本文中，来自 Uber 的研究者推出了针对因果推理和机器学习算法的 Python 实现。近年来，结合因果推理和机器学习的算法早已成为热门话题。CasualML 包通过该领域一系列方法的 Python 实现，力图缩小方法论理论研究与实际应用之间的差距。本文着重介绍了 CasualML 包的核心概念、应用范围和应用实例。此外，研究者计划将来添加更多 SOTA 增益模型，并探索更多融合机器学习与因果推理的建模方法以

一、使用介绍使用介绍

目录uplift模型主要有两种方法。Uplift Model 模型评估Qini curveAUUCDecision trees for uplift modeling 论文笔记DiDi Food中的智能补贴实战漫谈uplift模型主要有两种方法。最显然的方法是建立两个模型（two-model），一个模型训练treatment ，另外一个模型训练control数据。使用时我们将两个模型的预测值进行相减作为最终的结果。这里有个主要的缺点：我们想要的概率预测值可能与单独每一个模型差