欢迎来到Causal ML的文档
内容:
- 关于CausalML
- 因果机器学习简介
- 安装
- API 快速入门
- 示例
- 元学习器示例 - 训练、估计、验证、可视化
- 使用合成数据的提升树示例
- 元学习器示例 - 单一/多重处理案例
- 提升树/森林可视化
- 使用特征重要性和SHAP值进行模型解释
- 使用TMLE的提升曲线示例
- DragonNet vs Meta-Learners 基准测试与 IHDP + 合成数据集
- 使用NLSYM + 合成数据集的2SLS基准测试
- 敏感性分析示例
- 基于反事实逻辑的单位选择,作者:Li 和 Pearl (2019)
- 使用结果插补的反事实价值估计 由 Li 和 Pearl (2019)
- Zhao等人(2020年)提出的提升树特征选择
- Policy Learner by Athey and Wager (2018) with Binary Treatment
- CEVAE vs. Meta-Learners Benchmark with IHDP + Synthetic Datasets
- DR Learner vs. DR-IV Learner vs. X-Learner 基准测试与合成数据
- Nie和Wager(2020)中使用合成数据的元学习基准
- Causal Trees/Forests Treatment Effects Estimation and Tree Visualization
- Causal Trees/Forests Interpretation with Feature Importance and SHAP Values
- 基于逻辑回归的提升分类问题数据生成函数
- 具有多个昂贵治疗臂的Qini曲线
- 方法论
- 可解释的因果机器学习
- 验证
- causalml package
- 参考文献
- 更新日志
- 0.15.1 (2024年4月)
- 0.15.0 (2024年2月)
- 0.14.1 (2023年8月)
- 0.14.0 (2023年7月)
- 0.13.0 (2022年9月)
- 0.12.3 (2022年2月)
- 0.12.2 (2022年2月)
- 0.12.1 (2022年2月)
- 0.12.0 (2022年1月)
- 0.11.0 (2021-07-28)
- 0.10.0 (2021-02-18)
- 0.9.0 (2020-10-23)
- 0.8.0 (2020-07-17)
- 0.7.1 (2020-05-07)
- 0.7.0 (2020-02-28)
- 0.6.0 (2019-12-31)
- 0.5.0 (2019-11-26)
- 0.4.0 (2019-10-21)
- 0.3.0 (2019-09-17)
- 0.2.0 (2019-08-12)
- 0.1.0 (未发布)