页面历史
跳到导航
跳到搜索
2025年6月12日 (星期四)
→介绍
+938
因果森林（英语：Causal Forest）是一种用于估计异质性处理效应（Heterogeneous Treatment Effects, HTE）的非参数机器学习方法。它基于随机森林（Random Forest）算法的扩展形式，由苏珊·艾西（Susan Athey）等人提出，用于在高维数据中识别个体或群体层面的因果效应差异，属于因果推断（Causal Inference）领域的一类重要方法。
-191
因果森林，基于随机森林（Random Forest）算法的扩展形式，由苏珊·艾西（Susan Athey）等人提出，用于在高维数据中识别个体或群体层面的因果效应差异，属于因果推断（Causal Inference）领域的一类重要方法。
+22,247
2022年7月7日 (星期四)
quick start
+210
快速撰写
+1,048
因果森林(Causal Forest) 是由Susan Athey、Stefan Wager 于 2015 提出的估计异质处理效应的随机森林算法。
-9