“因果森林 Causal Forest”的版本间的差异

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
跳到导航 跳到搜索
（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。）
（快速撰写）
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 ==

2022年7月7日 (四) 22:27的版本

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

取自“https://wiki.swarma.org/index.php?title=因果森林_Causal_Forest&oldid=32876”