这个Python包‘Causal ML’通过机器学习提供一套提升模型和因果推理

0
5568
Image Source: //eng.uber.com/causal-inference-at-uber/

‘Causal ML’ 是一个处理隆升建模的Python软件包,该模型借助基于研究的机器学习(ML)算法来估计异构处理效果(HTE)和因果推断方法。它使用标准界面,允许用户估算 有条件的平均治疗效果 (CATE) or 个别治疗效果 (ITE)来自数据(实验性或观察性)。

‘Casual ML’软件包提供了八种结合因果推论的前沿提升建模算法& ML. ‘本质上,它估计干预的因果影响 T on outcome Y 适用于具有观察功能的用户 X,无需对模型表格进行严格假设’。如前所述,该软件包用于处理隆起模型,该模型估计异质治疗效果(HTE),因此从一般因果推论开始,然后学习HTE和隆起模型肯定会有所帮助。

的Github repository contains a good example on Jupyter笔记本 如何使用所有这些算法。

广告Coursera Plus标语,包含约翰·霍普金斯大学,谷歌和密歇根大学的课程,突出显示数据科学职业发展的内容

一些用例:

  • 广告系列定位优化
  • 个性化订婚

的‘Casual ML’软件包当前支持以下方法:

Github: //github.com/uber/causalml

说明文件: //causalml.readthedocs.io/en/latest/about.html

读: 使用因果推理改善Uber用户体验

安装 (资源: //causalml.readthedocs.io/en/latest/installation.html )

causalml 在PyPI上可用,并且可以从以下位置安装 pip 或来源如下:

从  pip:

pip install causalml

来自来源:

git clone //github.com/uber-common/causalml.git
cd causalml
python setup.py build_ext --inplace
python setup.py install
广告

发表评论

请输入您的评论!
请在这里输入您的名字

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.