causalml Logo
  • 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
causalml
  • Examples
  • View page source

示例

工作示例笔记本可在example folder中找到。

请按照以下链接的顺序,从入门到高级功能的示例教程进行学习。

  • 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
Previous Next

© 版权所有 2024 Uber Technologies, Inc..

Built with Sphinx using a theme provided by Read the Docs.