关于CausalML
CausalML 是一个Python包，提供了一套基于最新研究的机器学习算法的提升建模和因果推断方法。
它提供了一个标准接口，允许用户从实验或观察数据中估计条件平均处理效应（CATE），也称为个体处理效应（ITE）。
本质上，它估计了干预W对具有观察特征X的用户的结果Y的因果影响，而不对模型形式做出强假设。
GitHub 仓库
任务
来自CausalML 章程:
CausalML致力于通过易于访问、创新和文档完善的开源工具，使数据科学家、研究人员和组织能够使用因果机器学习。我们的核心是包容性，并培养一个充满活力的社区，成员们在这里交流思想、分享知识，并共同塑造一个CausalML推动各个领域进步的未来。
贡献
治理
因果机器学习简介
什么是因果机器学习？
因果机器学习是机器学习的一个分支，专注于理解数据中的因果关系。它不仅基于数据中的模式预测结果，还试图理解改变一个变量如何影响结果。 假设我们试图根据学生学习的时间和睡眠时间来预测学生的考试成绩。传统的机器学习模型会在数据中找到模式，比如学习更多或睡眠更多的学生往往得分更高。 但如果你想知道一个学生每天多学习一小时会发生什么？或者每晚多睡一小时会发生什么？建模这些潜在结果或反事实是因果机器学习的用武之地。它试图理解因果关系——改变一个变量（如学习时间或睡眠时间）会对结果（考试成绩）产生多大影响。 这在许多领域都很有用，包括经济学、医疗保健和政策制定，其中理解干预的影响至关重要。 虽然传统机器学习在预测方面表现出色，但因果机器学习帮助我们理解由于干预而导致的结果差异。
与传统机器学习的区别
传统的机器学习和因果机器学习都是强大的工具，但它们服务于不同的目的并回答不同类型的问题。 传统机器学习主要关注预测。给定一组输入特征，它从数据中学习一个可以预测结果的函数。它擅长在大型数据集中发现模式和相关性，但它不告诉我们变量之间的因果关系。它回答诸如“给定患者的症状，他们可能患有什么疾病？”这样的问题。 另一方面，因果机器学习关注理解变量之间的因果关系。它超越了预测，试图回答关于干预的问题：“如果我们改变这个变量会发生什么？”例如，在医学背景下，它可以帮助回答诸如“如果患者服用这种药物会发生什么？”这样的问题。 本质上，虽然传统机器学习可以告诉我们“是什么”，但因果机器学习可以帮助我们理解“如果会怎样”。这使得因果机器学习在需要基于数据做出决策的领域特别有用，例如政策制定、经济学和医疗保健。
测量因果效应
随机对照试验（RCT）是因果效应测量的黄金标准。受试者被随机分配到治疗组和对照组，平均治疗效果（ATE）通过治疗组和对照组的平均效果差异来衡量。随机分配消除了任何混杂因素对治疗效果的影响。
如果有随机对照试验（RCT）可用，并且治疗效果在协变量之间存在异质性，测量条件平均处理效应（CATE）可能是有意义的。CATE是对所有可用实验协变量和混杂因素条件下的处理效应的估计。我们称之为异质性处理效应（HTEs）。
示例用例
广告活动目标优化：提高广告活动投资回报率的一个重要手段是将广告定位到那些在特定关键绩效指标（如参与度或销售额）上会有积极反应的客户群体。CATE通过从A/B实验或历史观察数据中估计广告曝光对个体层面关键绩效指标的影响来识别这些客户。
个性化互动：一家公司可能有多种与客户互动的方式，例如在追加销售中有不同的产品选择或不同的通信渠道。可以使用CATE来估计每个客户和治疗选项组合的异质治疗效果，以实现最佳的个性化互动体验。