Y1n的博客

倾向分消偏主要通过计算个体的倾向分来调整不同组别的样本，使其在统计上更加可比。IPS 和 DR 消偏提供了一种基于加权和双重稳健的方法来进一步减少偏差。消偏塔采用分层处理的方式，从原始数据到最终模型，逐步减少选择偏差，提升模型的稳健性。使用显式特征的在线交互感知提升网络（EFIN）

因果推荐（Causal Recommendation）是指利用因果推断的方法来理解和优化推荐系统的行为。不同于传统的基于关联分析的推荐方法，因果推荐旨在揭示用户行为背后的真正原因，从而提供更加准确和个性化的推荐。

Qini 曲线是 uplift 模型评估中最重要的可视化工具之一，用于衡量模型在识别**“可说服者”（即对干预最敏感的个体）方面的能力**。它通过展示随着样本数量增加，模型预测的累积 uplift 效果来反映模型性能。横轴: 样本比例（从高到低按模型预测的 uplift 值排序后的累计样本比例）。纵轴: 累积 uplift 效果，表示干预组和对照组之间的净增量收益。AUUC 是 uplift 曲线下面积，用于量化 uplift 模型的整体性能。

因果效应: 关注的是总体因果效应或条件平均因果效应。ATE (Average Treatment Effect): 干预组与对照组之间的平均差异。CATE (Conditional Average Treatment Effect): 在某些条件下（如协变量特定值）的平均因果效应。可以看到，如果你是想研究一个因素对结果变量的影响，关注的就是CATE，就该使用DML。比如，我想知道做手术与否对病人存活与否的影响。

元学习器是利用一些现成的机器学习方法来进行因果推断的方法。也是相对来说最简单的进行因果推断的模型，在econml和causalml都有实现，调用也相对比较方便。

因果效应也称为**处理效应（Treatment effect）**是用于评判干预与否的结果差异的指标（处理变量对结果变量的影响）。比如在接受治疗组中，如果这些人不接受治疗，这组人接受治疗和不接受治疗的效应差异是多少。定义为实验组中每个个体的处理效应差异，比如一个个体在接收治疗和不接受治疗的两个处理方式的健康程度得分的差。但是一个人因为不可能。比如我们想探究接受治疗的男性用户和不接受治疗的男性用户的平均效果差异就是CATE。前面说ITE是无法观测的，是因为一个人不能同时接受治疗又不接受治疗，这里关键的就是。

写在前面：最近开始学习因果机器学习，想着整理一下其中的涉及到一些专有名词和一些概念。后面的话会更多以代码的方式记录一下我的学习过程。