統計的因果推論(4): 機械学習分類器による傾向スコアを調整してみる - 渋谷駅前で働くデータサイエンティストのブログ
この記事は以下の記事の続きです。 ご覧の通り、機械学習分類器3種で傾向スコアを算出してみたらおかしな結果になったわけです。この点について、実は後日2点ほどコメントをいただきました。1つはブコメで、 統計的因果推論(3): 傾向スコア算出を機械学習に置き換えてみると - 渋谷駅前で働くデータサイエンティストのブログ CM接触群と非接触群に分けて、傾向スコアの分布をみてみると、2群のスコアが0.25～0.75でしか重複していません。傾向スコアが0.25～0.75のデータに絞って比較すると、とりあえずは妥当な結論が出ると思います。後は、傾向2016/10/12 21:46 とのことでした。これは確かにその通りかもということで、試してみる価値がありそうです。一方で半可通のMLerとしては以下の[twitter:@toshi_k_datasci]さんからのコメントも気になったのでした。 @TJO_d
統計的因果推論(3): 傾向スコア算出を機械学習に置き換えてみると - 渋谷駅前で働くデータサイエンティストのブログ
この記事は以下の記事の続きです。 前回の記事では普通にロジスティック回帰で傾向スコアを求めたのですが、傾向スコアというのは元はと言えば「共変量に基づいてそれぞれの群に割り付けられる確率値を求めたもの」なので、やろうと思えば機械学習分類器で代替しても良いわけです。実際、岩波DS3にもそのように書かれています。 岩波データサイエンス Vol.3 岩波書店Amazon ということで、前回記事のCM接触データセットに対して任意の機械学習分類器を用いて傾向スコアを算出した歳の、各種効果指標の違いを見ていこうかと思います。なおデータセットは前回から引き続きdというデータフレームに入っているとします。またAUCを求めるに当たっては{ROCR}パッケージを用いています。下準備として以下のようにインデックスを用意しておきます。 > ivec1 <- d$cm_dummy # Treated group >
AIで原因と結果を把握する ~機械学習と因果推論の融合 Meta-Learner~｜Tack@データサイエンス
今回は、前回少ししか触れなかった、機械学習と因果推論の融合分野について解説していきます。 ■WHY なぜ機械学習と因果推論が融合するのか結論、個別の因果効果を把握することが求められているからです。 例えば、マーケティング施策の限られた予算の中で、 ・どの顧客にクーポンを打つのが効果的なのか ・どの種類のクーポンを打つと顧客はもっと商品を買ってくれるのか ・そのクーポンはどのチャネルで訴求するべきか ・はたまた本当はクーポンではなく新商品の広告の方がコストパフォーマンスが高いのではないか などを総合的に考慮する場合 または、治療をする際に ・どの人に優先的に治療をするべきか ・その人にはどの治療法が最も効果があるのか など個別の因果効果が求められる場面は多々あります。 どの方法もできる限り多く実行できれば良いのですが、 物事には基本的にリソース(予算・時間など)の制約があるため、 限られた範
[R] CausalImpact でできること, できないこと - ill-identified diary
概要Brodersen, Gallusser, Koehler, Remy, & Scott (2015) により提案され, R で実装された時系列因果推論フレームワーク, CausalImpact は, シンプルで分かりやすい difference in differences (DID) の因果推定理論に基づいており, マーケティングイベントがもたらすインパクトを計測するツールとして紹介されている. しかし, DID が非常にシンプルであれるのは, 厳格な仮定を置いているからであり, 利用する際には多くの注意が伴う. そこで今回は, より発展的な理論について考察したことを垂れ流してみる. あとついでに tsibble パッケージの使い方とかも少しだけ触れている. この問題は CausalImpact の考案以前からある議論についても振り返る必要があるので, まず Rubin (1974
![[R] CausalImpact でできること, できないこと - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/e0d17415791bd8e780bb8ba1cd448537178483e3/height=288;version=1;width=512/https%3A%2F%2Fcdn.image.st-hatena.com%2Fimage%2Fscale%2Fd9b73809991bb4e8b19ac99b8e5d59bd3c63864e%2Fbackend%3Dimagemagick%3Bheight%3D1200%3Bversion%3D1%3Bwidth%3D1200%2Fhttps%253A%252F%252Fcdn-ak.f.st-hatena.com%252Fimages%252Ffotolife%252Fi%252Fill-identified%252F20191009%252F20191009025251.png)
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
機械学習を用いた因果推論のための最新 Python パッケージ "CausalML" の紹介 - YuRAN-HIKO
はじめに CausalML とは 現在 CausalML で提供されているもの CausalMLがどういう分野で適用可能か Targeting Optimization Causal Impact Analysis Personalization おわりに 統計的因果推論の関連記事 はじめに 本記事は H. Chen et al. (2020), "CausalML: Python Package for Causal Machine Learning" の紹介記事です。 上記 Chen et al.(2020) は目下研究分野としてもアツい、機械学習を用いた因果推論手法を提供する CausalML という最新の Python パッケージの紹介になっています。この CausalML は Uber Technology のメンバーが開発したパッケージで、著者らは同社のメンバーです。Uplif
Uber徹底研究 -因果推論によるマーケティング最適化編-｜Tack
「Uber徹底研究」シリーズを久し振りに更新します。 [過去のUber徹底研究シリーズ] ・Uber徹底研究 -ビジネス概要編- ・Uber徹底研究 -UX改善編- ・Uber徹底研究 -ゲーミフィケーション・行動科学編- ・Uber徹底研究 -MaaSを支えるデータサイエンス編- ・Uber徹底研究 -「続き」MaaSを支えるデータサイエンス編 レコメンド- 今回はUberがマーケティング領域で使用する因果推論を、最新の論文を基に紹介していきます。 内容としては因果推論の領域なので、前々回と前回の内容からの発展編となります。 ・前々回：ノーベル経済学賞でも注目の因果推論を俯瞰する ・前回：AIで原因と結果を把握する ~機械学習と因果推論の融合 Meta-Learner~ 最もコスパの良いマーケティング方法を探る前々回の投稿で紹介した"Uplift Modeling for Multipl
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
uber/causalml: Uplift modeling and causal inference with machine learning algorithms
EconML/notebooks/Metalearners Examples.ipynb at main · py-why/EconML
GitHub - itamarcaspi/EconML-with-R: How to use EconML within R