原文鏈接：http://tecdat.cn/?p=27058?

原文出處：拓端數(shù)據(jù)部落公眾號

?

使用 ML 進(jìn)行提升建模和因果推理。

Python 包提供了一套使用基于最近研究的機(jī)器學(xué)習(xí)算法的提升建模和因果推理方法。允許用戶根據(jù)實驗或觀察數(shù)據(jù)估計條件平均處理效果 (CATE) 或個體處理效果 (ITE)。本質(zhì)上，它估計了干預(yù)?對?具有觀察特征的用戶的??結(jié)果?的因果影響，而對模型形式?jīng)]有強(qiáng)烈的假設(shè)。典型用例包括

• 廣告活動定位優(yōu)化：在廣告活動中提高投資回報率的一個重要手段是將廣告定位到在給定 KPI（如參與度或銷售量）中會有良好反應(yīng)的客戶群。通過根據(jù) A/B 實驗或歷史觀察數(shù)據(jù)在個人層面估計廣告曝光的 KPI 影響來識別這些客戶。

• 個性化參與：公司有多種選擇與客戶互動，例如在追加銷售或消息渠道中的不同產(chǎn)品選擇。可以估計每個客戶和處理選項組合的異質(zhì)處理效果，以獲得最佳的個性化推薦系統(tǒng)。

目前支持以下方法

• 基于樹的算法

• 歐幾里得距離和卡方上的隨機(jī)森林

• 提升樹/隨機(jī)森林

• 元學(xué)習(xí)算法

• S學(xué)習(xí)

• T學(xué)習(xí)

• X學(xué)習(xí)

• R學(xué)習(xí)

• 工具變量算法

• 2 階段最小二乘法 (2SLS)

開始

S、T、X 和 R 學(xué)習(xí)的平均處理效果估計

可解釋的因果機(jī)器學(xué)習(xí)

提供了解釋如下訓(xùn)練的處理效果模型的方法：

元學(xué)習(xí)特征的重要性

提升樹可視化

?最受歡迎的見解

1.PYTHON用戶流失數(shù)據(jù)挖掘：建立邏輯回歸、xgBOOST、隨機(jī)森林、決策樹、支持向量機(jī)、樸素貝葉斯模型和KMEANS聚類用戶畫像

2.R語言基于樹的方法：決策樹，隨機(jī)森林

3.python中使用scikit-learn和pandas決策樹

4.機(jī)器學(xué)習(xí)：在SAS中運(yùn)行隨機(jī)森林?jǐn)?shù)據(jù)分析報告

5.R語言用隨機(jī)森林和文本挖掘提高航空公司客戶滿意度

6.機(jī)器學(xué)習(xí)助推快時尚精準(zhǔn)銷售時間序列

7.用機(jī)器學(xué)習(xí)識別不斷變化的股市狀況——隱馬爾可夫模型的應(yīng)用

8.python機(jī)器學(xué)習(xí)：推薦系統(tǒng)實現(xiàn)（以矩陣分解來協(xié)同過濾）

9.python中用pytorch機(jī)器學(xué)習(xí)分類預(yù)測銀行客戶流失