因果森林 Causal Forest - 版本历史

DeepQ：/* 介绍 */

2025-06-12T11:40:38Z

介绍

RWKV：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。

2025-06-12T11:23:47Z

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。

显示更改

RWKV：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。

2025-06-12T11:06:23Z

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。

显示更改

1587causalai：quick start

2022-07-07T14:33:28Z

quick start

1587causalai：快速撰写

2022-07-07T14:27:27Z

快速撰写

1587causalai：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。

2022-07-07T13:48:46Z

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。

是趣木木呀：建立内容为“待建立”的新页面

2022-02-22T13:25:52Z

建立内容为“待建立”的新页面

新页面

待建立

@@ 第4行： / 第4行： @@
 '''因果森林'''（''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。
 ==背景与发展==
 传统的因果推断方法，如倾向得分匹配（''Propensity Score Matching''）或工具变量法（''Instrumental Variables''），主要关注平均处理效应（''Average Treatment Effect'', ATE）。然而在实际应用中，不同个体对于同一处理可能反应不同，因此估计个体层面的处理效应，即条件平均处理效应（''Conditional Average Treatment Effect'', CATE）成为重要研究方向。
@@ 第20行： / 第21行： @@
 *'''医疗'''：评估新药在不同患者群体中的效果；
-* '''公共政策'''：识别社会项目在不同地区或人群中的效应差异；
+*'''公共政策'''：识别社会项目在不同地区或人群中的效应差异；
 *'''教育'''：分析干预措施对不同学生群体的影响；
 *'''市场营销'''：发现不同客户对促销手段的反应差异。
-==算法 ==
+==算法==
 [[文件:广义随机森林.png|缩略图]]
@@ 第36行： / 第37行： @@
 ##构树集（用于构建树的结构）
 ##估计集（用于估计每个叶子节点中的处理效应） 这种拆分方式称为“诚实性”（honesty），可避免过拟合，并保证渐近一致性。
-#'''分裂标准（Splitting Criterion）''' 与传统随机森林最小化均方误差（MSE）不同，因果森林的分裂准则最大化处理效应的异质性，通常使用以下目标函数：△= Var[f(X)]
+#'''分裂标准（Splitting Criterion）''' 与传统随机森林最小化均方误差（MSE）不同，因果森林的分裂准则最大化处理效应的异质性，通常使用以下目标函数：<syntaxhighlight lang="python">
+\Delta = \text{Var}[\hat{\tau}(X)]
-即寻找能最有效区分处理效应差异的协变量。
+</syntaxhighlight>即寻找能最有效区分处理效应差异的协变量。
+#'''叶节点处理效应估计''' 在每个叶节点中，使用估计集中的样本计算处理组与对照组的均值差异来估计 CATE：<syntaxhighlight lang="python">
-#'''叶节点处理效应估计''' 在每个叶节点中，使用估计集中的样本计算处理组与对照组的均值差异来估计 CATE：公式1！！！！
+\hat{\tau}(x) = \frac{1}{|S_1(x)|} \sum_{i \in S_1(x)} Y_i - \frac{1}{|S_0(x)|} \sum_{i \in S_0(x)} Y_i
+</syntaxhighlight>
-#'''森林聚合（Ensemble Aggregation）''' 最终的 CATE 估计为所有树对该样本估计的平均：公式1！！！！
+#'''森林聚合（Ensemble Aggregation）''' 最终的 CATE 估计为所有树对该样本估计的平均：<syntaxhighlight lang="python">
+\hat{\tau}_{\text{forest}}(x) = \frac{1}{B} \sum_{b=1}^B \hat{\tau}_b(x)
 ===理论性质===
 Wager 和 Athey（2018）证明，在一定正则条件下，因果森林具备以下渐近性质：
@@ 第59行： / 第61行： @@
 ==示例：==
- <code>#-----------环境准备----------#
+<syntaxhighlight lang="python" line="1">
- import numpy as np
+#-----------环境准备----------#
- import pandas as pd
+import numpy as np
- from sklearn.ensemble import RandomForestRegressor
+import pandas as pd
- from causal_forest import CausalForest  # 假设已有一个名为causal_forest的库
+from sklearn.ensemble import RandomForestRegressor
- #----------数据准备----------#
+from causal_forest import CausalForest  # 假设已有一个名为causal_forest的库
- # 假设我们有一个名为data的DataFrame，包含预测变量X和目标变量y
+#----------数据准备----------#
- X = data.drop('y', axis=1)
+# 假设我们有一个名为data的DataFrame，包含预测变量X和目标变量y
- y = data['y']
+X = data.drop('y', axis=1)
- #---------模型训练-----------#
+y = data['y']
- cf = CausalForest(RandomForestRegressor())
+#---------模型训练-----------#
- cf.fit(X, y)
+cf = CausalForest(RandomForestRegressor())
- #--------因果效应估计-------#
+cf.fit(X, y)
- causal_effects = cf.estimate_causal_effects(X, y)
+#--------因果效应估计-------#
- #-------预测和解释----------#
+causal_effects = cf.estimate_causal_effects(X, y)
- predictions = cf.predict(X)
+#-------预测和解释----------#
 predictions = cf.predict(X)
- # 输出因果效应
- for feature, effect in causal_effects.items():
+# 输出因果效应
-     print(f"{feature}: {effect}")</code>
+for feature, effect in causal_effects.items():
 ==局限性==
@@ 第92行： / 第96行： @@
 ==参考文献==
+#Athey, S. & Imbens, G. (2016). "Recursive Partitioning for Heterogeneous Causal Effects", ''Proceedings of the National Academy of Sciences'', 113(27), 7353–7360.
-===Recursive Partitioning for Heterogeneous Causal Effects - arXiv===
+#Wager, S. & Athey, S. (2018). "Estimation and Inference of Heterogeneous Treatment Effects using Random Forests", ''Journal of the American Statistical Association'', 113(523), 1228–1242.
-''[Submitted on 5 Apr 2015 (v1), last revised 30 Dec 2015 (this version, v3)]''
+#Athey, S., Tibshirani, J., & Wager, S. (2019). "Generalized Random Forests", ''Annals of Statistics'', 47(2), 1148–1178.
+#grf: Generalized Random Forests R package. <nowiki>https://github.com/grf-labs/grf</nowiki>
-===Estimation and Inference of Heterogeneous Treatment Effects ...===
+# econml: Microsoft Research Causal ML Library. <nowiki>https://github.com/microsoft/EconML</nowiki>
-''[Submitted on 14 Oct 2015 (v1), last revised 10 Jul 2017 (this version, v4)]''
+#Recursive Partitioning for Heterogeneous Causal Effects - arXiv''[Submitted on 5 Apr 2015 (v1), last revised 30 Dec 2015 (this version, v3)]''
+#Estimation and Inference of Heterogeneous Treatment Effects ''[Submitted on 14 Oct 2015 (v1), last revised 10 Jul 2017 (this version, v4)]''
-===Generalized Random Forests - arXiv===
+#Generalized Random Forests - arXiv''[Submitted on 5 Oct 2016 (v1), last revised 5 Apr 2018 (this version, v4)]''
-''[Submitted on 5 Oct 2016 (v1), last revised 5 Apr 2018 (this version, v4)]''
+#Machine Learning Methods Economists Should Know About''[Submitted on 24 Mar 2019]''
 ==编者推荐==

@@ 第4行： / 第4行： @@
 ....
-== 算法实现 ==
+==算法实现==
 Python 包 econml 和 R 包 grf 都有实现该算法。
-== 参考文献 ==
+==参考文献==
-=== Recursive Partitioning for Heterogeneous Causal Effects - arXiv ===
+===Recursive Partitioning for Heterogeneous Causal Effects - arXiv===
 ''[Submitted on 5 Apr 2015 (v1), last revised 30 Dec 2015 (this version, v3)]''
-=== Estimation and Inference of Heterogeneous Treatment Effects ... ===
+===Estimation and Inference of Heterogeneous Treatment Effects ... ===
 ''[Submitted on 14 Oct 2015 (v1), last revised 10 Jul 2017 (this version, v4)]''
-=== Generalized Random Forests - arXiv ===
+===Generalized Random Forests - arXiv===
 ''[Submitted on 5 Oct 2016 (v1), last revised 5 Apr 2018 (this version, v4)]''
-=== Machine Learning Methods Economists Should Know About ===
+===Machine Learning Methods Economists Should Know About===
 ''[Submitted on 24 Mar 2019]''
-== 编者推荐 ==
+==编者推荐==

←上一版本	2022年7月7日 (四) 14:27的版本
第1行：	第1行：
	+	因果森林 (Causal Forest) 是由 Wager and Athey [2017] 提出的异质因果效应估计算法。该算法本质上可以理解成通过子采样生成大量不同的因果树，然后取这些树的平均。类似于随机森林算法，因果森林可以被理解成一种近邻匹配算法，但是用数据驱动的方法来确定样本之间的相似度。

	+	== 介绍 ==
	+
	+
	+
	+	== 算法 ==
	+
	+
	+	....
	+
	+	== 算法实现 ==
	+
	+
	+	Python 包 econml 和 R 包 grf 都有实现该算法。
	+
	+	== 参考文献 ==
	+
	+
	+	=== Recursive Partitioning for Heterogeneous Causal Effects - arXiv ===
	+	''[Submitted on 5 Apr 2015 (v1), last revised 30 Dec 2015 (this version, v3)]''
	+
	+	=== Estimation and Inference of Heterogeneous Treatment Effects ... ===
	+	''[Submitted on 14 Oct 2015 (v1), last revised 10 Jul 2017 (this version, v4)]''
	+
	+	=== Generalized Random Forests - arXiv ===
	+	''[Submitted on 5 Oct 2016 (v1), last revised 5 Apr 2018 (this version, v4)]''
	+
	+	=== Machine Learning Methods Economists Should Know About ===
	+	''[Submitted on 24 Mar 2019]''
	+
	+	== 编者推荐 ==

←上一版本		2022年7月7日 (四) 13:48的版本
第1行：		第1行：
−	~~待建立~~	+