uber/causalml

解决的问题

CausalML 提供工具，基于个体的观测特征，估计特定干预（处理）对特定结果的因果影响。它解决了识别哪些特定用户或客户最有可能对干预产生积极反应的问题，从而实现比对所有用户采用广泛方法更高效的精准定位和个性化，而非一刀切的策略。

工作原理

该包基于最新研究，实现了多种 uplift 模型和因果推断方法。它提供标准接口来估计条件平均处理效应（CATE），即在不依赖模型形式强假设的前提下，计算具有特定特征的用户对结果的处理因果效应。

适用人群

专为需要在实验（A/B 测试）或观察性数据上执行因果推断和 uplift 模型的数据科学家和研究人员设计，以优化诸如参与度或销售额等业务 KPI。

主要亮点

• Uplift 模型：估计个体层面的处理效应，以优化营销活动的精准投放。
• 个性化互动：支持对多种处理选项估计异质性处理效应，以驱动个性化推荐系统。
• CATE 估计：提供标准接口用于估计条件平均处理效应（CATE）。
• 基准数据集：内置标准因果推断基准数据集（LaLonde、IHDP、Twins）的加载器，并提供真实值指标用于验证。