uber/causalml

🚀 CausalML是什么？

CausalML 是 Uber 开源的一个 Python 库，汇集了增量建模和因果推断算法。通俗地说，它可以让你提出**“如果我们向特定用户展示特定广告/干预，会发生什么？”** 这样的问题，并获得基于数据的个体层面效应估计（条件平均处理效应，CATE）。

🎯 核心用例

场景	CausalML 的价值
活动定向	识别对广告有正面反应的客户子集，最大化 A/B 测试或历史日志的 ROI。
个性化互动	估计多种产品或消息的异质效应，从而为每个用户推荐最佳处理。

🛠️ 库提供的功能

功能	内容
标准化 API	所有估计器共享通用接口（`fit`、`predict`、`predict_ite` 等），无需重写代码即可切换方法。
广泛的算法库	基于树的增量模型、元学习器（T-learner、S-learner、X-learner、DR-learner、R-learner）、双重稳健方法以及基于神经网络的方法。
基准数据集	内置经典因果推断数据（LaLonde、IHDP、Twins）的加载器，提供 SHA-256 验证下载和现成指标（PEHE、ATE 误差、策略风险）。
排行榜笔记本	可复现已发布基准数据的笔记本，有助于验证新想法。
丰富的文档与教程	逐步快速入门、完整的估计器选择指南和 FAQ，覆盖从安装到生产。

📦 快速开始（概览）

pip install causalml          # 从 PyPI 安装

from causalml.inference.tree import UpliftTreeClassifier
model = UpliftTreeClassifier()
model.fit(X, treatment, y)          # X = 特征, treatment = 0/1, y = 结果
ite = model.predict_ite(X_test)    # 个体处理效应估计

文档（快速入门、教程、笔记本）会详细说明此流程，并展示如何在内置基准套件上评估模型。

📚 更多学习资源

教程 – 异质处理效应的估计与验证（端到端演练）。
选择估计器 – 匹配数据规模、处理类型和性能需求的决策树。
基准数据集与排行榜 – 标准因果基准上的可复现性能数据。

🤝 社区与治理

Apache 2.0 许可证 – 免费用于商业和学术用途。
Uber 维护核心，但欢迎贡献（参见 CONTRIBUTING.md）。
项目“稳定”但仍处于孵化阶段；随着新研究的纳入，API 可能会演变。

📖 摘要

CausalML 是一个生产就绪的 Python 工具箱，用于估计个体对干预的反应。它将多种现代因果推断方法封装在统一 API 后，提供现成的基准数据，并附带详尽的文档，是从简单 A/B 测试转向真正个性化决策的首选库。