econmlのestimatorにlgb.cvをつっこむ｜nekoumei
こんにちは。因果推論してますか？ 最近、つくりながら学ぶ! Pythonによる因果分析 を読んでてmeta-learnersいいなーって思いました。 meta-learnersは実装自体はそんなに難しくないので自力で実装してもいいんですが、個人的にはeconmlを使うのが手軽で良いです。 ※ econmlのmeta-learnersの解説、簡易な実験についてはusaitoさんの記事が分かりやすいです。 さて、そんなeconmlですが利用するestimatorはsklearnライクなapiである必要があります。 from econml.metalearners import TLearner from sklearn.ensemble import GradientBoostingRegressor est = TLearner(models=GradientBoostingRegresso
Causal ML パッケージと学ぶ Meta-Learner - Qiita
はじめに 仕事関係で Uplift Modeling について調べていたら、CATE (Conditional Average Treatment Effect) にたどり着きました。 CATE は ATE (Average Treatment Effect) をある特徴量で条件付けたもので、ATE が"平均的な"処置効果を算出しているのに対し、効果は各属性 (特徴量) によって変わるはずであるという考えのもと、非均質性 (heterogeneity) を織り込んだ形での処置効果を算出しています。 $$ATE:=E[Y(1)-Y(0)]$$ $$CATE:=E[Y(1)-Y(0)|X=x]$$ ここで、$Y(1)$、$Y(0)$ は潜在的結果変数、$X=x$ はある特徴量となります。 CATE、すなわち個人やセグメントレベルでの処置効果を推定することができれば、処置効果がプラスの人にのみキ
About CausalML — causalml documentation
About CausalML CausalML is a Python package that provides a suite of uplift modeling and causal inference methods using machine learning algorithms based on recent research. It provides a standard interface that allows user to estimate the Conditional Average Treatment Effect (CATE), also known as Individual Treatment Effect (ITE), from experimental or observational data. Essentially, it estimate
RandomForestベースのUplift-modelingを試してみる | DevelopersIO
最初に causalmlを使って「RandomForest」ベースの手法でUplift-modelingを試してみました。 実際にやっていく過程を通して、本手法に対する理解を深めていくことを目的としています。 具体的にやっていくことは「データの準備」、「モデルの学習」、「結果の可視化」です。 目次 1.最初に 2.データとやることの概要 3.やってみた 4.最後に 1.最初に 基本的にはcausalmlのドキュメントやサンプルノートブックファイル、実装内容を元に確認を進めていきます。 ドキュメントは下記を、 About Causal ML Ensemble methods for uplift modeling サンプルノートブックファイルは下記の2つを uplift_tree_visualization.ipynb uplift_trees_with_synthetic_data.ipy
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
dowhy library exploration - Just be-cause
GitHub - YutaroOgawa/causal_book: 書籍「作りながら学ぶ! PyTorchによる因果推論・因果探索」の実装コードのリポジトリです
causalml/meta_learners_with_synthetic_data.ipynb at master · uber/causalml
The mr_uplift package in R: A Practitioners Guide to Trade-Offs in Uplift Models