316
个编辑
更改
→编者推荐
[https://pattern.swarma.org/study_group_issue/212 集智×DataFun合作论坛：因果推断在工业界的应用 | 因果科学第三季第十九期 - 因果科学与Causal AI读书会第三季]
估计异质因果效应，即条件平均因果效应(Conditional Average Causal Effect, CATE)，一直以来都是因果推断研究的重要组成。基于树模型的估计 CATE 的方法在学术界被广泛研究，其中最有代表性的是斯坦福大学经济学教授 Susan Athey 的系列工作，包括因果树、因果森林和广义随机森林。广义随机森林 (因果森林是它的特例)和普通的随机森林最大的区别在于，它是从局部加权估计的角度而不是集成方法的角度来解释的。这种基于森林的临近权重让其相对于其它方法具备灵活性，自适应性和易用性等优点。此外, 它基于局部矩方程的估计量还具备良好的统计性质。近年来，它们更是被广泛应用在工业界互联网商业平台的营销活动中, 可以有效地提高用户参与度和平台收入，例如阿里巴巴和亚马逊的优惠券, 共享乘车优步和滴滴的折扣券，抖音的视频观看金币激励等。估计用户对激励的敏感度 (即 CATE) 是个性化激励关键的第一步。所以因果森林是同时在学术界和工业界都是非常有影响力的工作。
=== 相关路径 ===
*[https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
*[https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
*[https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
----
----
本中文词条由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。
本中文词条由因果科学读书会词条梳理志愿者我是猫（74989）翻译审校、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。