大型网站开发团队,.net做网站用什么框架,中文编程做网站,网站背景EconML简介
EconML: A Python Package for ML-Based Heterogeneous Treatment Effects Estimation
EconML是一个通过机器学习方法从观察数据中估计heterogeneous treatment effects的Python包。该软件包是微软研究院ALICE项目的一部分#xff0c;目的是将最新的机器学习方法…EconML简介
EconML: A Python Package for ML-Based Heterogeneous Treatment Effects Estimation
EconML是一个通过机器学习方法从观察数据中估计heterogeneous treatment effects的Python包。该软件包是微软研究院ALICE项目的一部分目的是将最新的机器学习方法与计量经济学结合从而实现复杂因果推断问题的自动化。EconML希望做到以下几点
实现同时涉及计量经济学和机器学习的最新方法保持对effect heterogeneity建模的灵活性通过随机森林、boosting、lasso和神经网络等技术同时保留所学模型的因果解释并同时提供有效的置信区间使用统一的API构建标准的Python包以用于机器学习和数据分析
机器学习最大的promise之一是在许多领域实现决策的自动化。许多数据驱动的决策场景的核心问题是对heterogeneous treatment effects的估计也即对于具有特定特征集的样本干预对输出结果的causal effect是什么简言之这个Python工具包旨在测量某些干预变量T对结果变量Y的causal effect控制一组特征X和W来衡量causal effect如何随X的变化而变化。这个包里实现的方法适用于观察的数据集非实验或历史。为了使估计结果具有因果解释一些算法假设数据中没有未观察到的混杂因子即同时对T和Y产生影响的因子均被包含在XW中而其他一些算法则假设可以使用工具变量Z即观测变量Z对干预T有影响但对结果变量Y没有直接影响。并且包中的大多数算法都可以提供置信区间和推断结果。
EconML包的详细文档见Welcome to econml’s documentation。
causal inference和heterogeneous treatment effects的使用背景和具体的case见文档。具体的例子有ABtest的例子客户细分软件公司的多元投资归因 GITHUB https://github.com/py-why/EconML
doc:econml.dml.CausalForestDML — econml 0.14.1 documentation CausalForestDML
est CausalForestDML(discrete_treatmentFalse)
# 拟合模型
est.fit(y, T, XX)
# 最终模型结果
est.summary() # 如果dlm最终模型是线性模型那这里显示线性模型的回归系数此时是一个二次项模型还有截距项
est.coef_# The coefficients in the linear model of the constant marginal treatment effect. 最终模型是线性的话就是线性回归系数
est.intercept_ # 线性模型的截距项# 使用的模型最终模型 / T~X模型 / Y~X模型
est.model_cate,est.models_t,est.models_y# 模型计算过程中前面步骤的残差
res_dict [y_res, T_res, X, W]
{res_dict[n]:i for n,i in enumerate(est.residuals_)} # y_res, T_res, X, W需要cache_valuesTrue from lightgbm import LGBMRegressor
from econml.dml import DML, CausalForestDML######第一步训练uplift模型########
dmlmodel CausalForestDML(criterionmse,n_estimators240,max_depth4,min_samples_leaf2000,min_samples_split2000,n_jobs-1,model_yLGBMRegressor(n_estimators250, ##max_depth5,num_leaves31,learning_rate0.01,subsample0.7,min_child_samples2000,reg_alpha0.01,reg_lambda0.01,importance_typegain),#model_tRandomPropensityScoreModel(t)此处可以自定义但是如果不添加那么用默认的数据, verbose0, discrete_treatmentFalse, honestTrue, min_var_fraction_leaf0.1, min_var_leaf_on_valTrue
)dmlmodel.fit(Yy, Tt, Xx)
#预测部分在treatment1时候的结果
pred1dmlmodel.effect(XX_test,T00,T11)
pred2dmlmodel.effect(XX_test,T00,T12)model_path model.pkl
with open(model_path, wb) as f:pickle.dump(dmlmodel, f)######第二步训练y0基础模型###########
base_modelLGBMClassifier(n_estimators400,max_depth4,num_leaves16,learning_rate0.2,subsample0.3,min_child_samples5000,reg_alpha0.01,reg_lambda0.01,importance_typegain,class_weightNone)
base_model.fit(X_train, y_train, eval_set(X_test, y_test), eval_namesNone, eval_sample_weightNone, eval_class_weightNone, eval_init_scoreNone, eval_metricauc, early_stopping_rounds100,)base_prob base_model.predict_proba(X_test) 在EconML的LinearDML模型中有不同的属性用于表示不同的模型部分如treatment_model_表示干预模型outcome_model_表示结果模型final_model_表示最终模型等。
在LinearDML模型中cate_model表示常数边际CATE模型它是在拟合模型后通过fit方法获得的。你可以使用cate_model属性来对已经拟合好的常数边际CATE模型进行预测操作计算不同干预值下的CATE。 参考
微软EconML简介基于机器学习的Heterogeneous Treatment Effects估计 - 知乎因果推断笔记——因果图建模之微软开源的EconML五 - 知乎用户增长因果推断方法_因果路径决策树_wendaJ的博客-CSDN博客史上最全因果推断合集-10滴滴的国际化外卖团队智能补贴实战_滴滴 单明辉_草帽-路飞的博客-CSDN博客应用双重机器学习Double Machine Learning计算额度-响应弹性系数 - 知乎【机器学习-因果推断】EconML 双重机器学习正交森林上手小案例 nPython - 知乎一图讲清因果推断 - 搜索结果 - 知乎因果推断笔记五——自整理因果推断应用 - 知乎【因果前沿】因果效应估计综述挑战、机会和最新进展 - 知乎因果推断与反事实预测——利用DML进行价格弹性计算二十四 - 知乎基于表征学习的因果推断技术在快手的实践 - AIQ因果推断笔记——DML Double Machine Learning案例学习十六_悟乙己的博客-CSDN博客因果论文精读与总结一_语洛的博客-CSDN博客
