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

‘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

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：

• 基于树的算法
  • 提升随机森林 KL散度，欧氏距离和卡方
  • 提升随机森林 论语境选择
• 元学习器算法
  • 学习者
  • 学习者
  • X学习者
  • 学习者

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