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
![Causal ML パッケージと学ぶ Meta-Learner - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/48fcc1b0231afa739c658c521996961be36c61d7/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZ0eHQ9Q2F1c2FsJTIwTUwlMjAlRTMlODMlOTElRTMlODMlODMlRTMlODIlQjElRTMlODMlQkMlRTMlODIlQjglRTMlODElQTglRTUlQUQlQTYlRTMlODElQjYlMjBNZXRhLUxlYXJuZXImdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtY2xpcD1lbGxpcHNpcyZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWUxNTg4Y2IyY2E3ODM4NmM5NDRmNDM1OTkyZjVjMmQ1%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwaW51bWFydTluJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz0zMTRkZjkyYjJmMjQxNmQ5N2I0YzZlNDJkYTA3NjQ0NQ%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3D99e5f8fd8b831e60321c3f0e2c7b864d)