uber/causalml

解決的問題

CausalML 提供工具，根據個人的觀測特徵，估計特定干預（處理）對特定結果的因果影響。它解決了識別哪些特定使用者或客戶最有可能對處理產生正面反應的問題，從而實現比對所有使用者採用廣泛方法更有效的精準定位與個人化，而非一刀切的策略。

工作原理

該套件基於最新研究，實現多種 uplift 模型與因果推論方法。它提供標準介面來估計條件平均處理效果（CATE），即在不依賴模型形式強假設的前提下，計算具有特定特徵的使用者對結果的處理因果效果。

適用對象

專為需要在實驗（A/B 測試）或觀察性資料上執行因果推論與 uplift 模型的資料科學家與研究人員設計，以優化參與度或銷售額等業務 KPI。

主要亮點

• Uplift 模型：估計個體層級的處理效果，以優化行銷活動的精準投放。
• 個人化互動：支援對多種處理選項估計異質性處理效果，以驅動個人化推薦系統。
• CATE 估計：提供標準介面用於估計條件平均處理效果（CATE）。
• 基準資料集：內建標準因果推論基準資料集（LaLonde、IHDP、Twins）的載入器，並提供真實值指標用於驗證。