uber/causalml

해결하는 문제

CausalML은 사용자의 관측된 특성에 기반하여 특정 개입(치료)이 개인의 특정 결과에 미치는 인과적 영향을 추정하는 도구를 제공합니다. 이는 특정 사용자나 고객 중에서 치료에 긍정적으로 반응할 가능성이 가장 높은 대상을 식별하는 문제를 해결하며, 모든 사용자에게 포괄적인 접근 방식을 적용하는 대신 더 효율적인 타겟팅과 개인화를 가능하게 합니다.

작동 방식

이 패키지는 최근 연구를 기반으로 한 업리프트 모델링 및 인과 추론 방법의 세트를 구현합니다. 모델의 형태에 대한 강한 가정 없이도 특정 특성을 가진 사용자에 대한 결과에 대한 치료의 인과적 효과를 계산하는 조건부 평균 치료 효과(CATE)를 추정할 수 있는 표준 인터페이스를 제공합니다.

대상 사용자

실험(A/B 테스트) 또는 관찰 데이터에서 인과 추론 및 업리프트 모델링을 수행하여 엔게이지먼트나 매출과 같은 비즈니스 KPI를 최적화하고자 하는 데이터 과학자 및 연구자에게 적합합니다.

주요 특징

• 업리프트 모델링: 개인 수준의 치료 효과를 추정하여 캠페인 타겟팅을 최적화합니다.
• 개인화된 참여: 여러 치료 옵션에 대한 이질적 치료 효과를 추정할 수 있어 개인화된 추천 시스템을 구동합니다.
• CATE 추정: 조건부 평균 치료 효과를 추정하기 위한 표준 인터페이스를 제공합니다.
• 벤치마크 데이터셋: LaLonde, IHDP, Twins와 같은 표준 인과 추론 벤치마크용 내장 로더를 제공하며, 검증을 위한 참값 메트릭스를 포함합니다.