AB实验的高端玩法系列1-实用HTE(Heterogeneous Treatment Effects)论文github收藏

一直以来机器学习但愿解决的一个问题就是'what if'，也就是决策指导：

• 若是我给用户发优惠券用户会留下来么？
• 若是患者服了这个药血压会下降么？
• 若是APP增长这个功能会增长用户的使用时长么？
• 若是实施这个货币政策对有效提振经济么？

这类问题之因此难以解决是由于ground truth在现实中是观测不到的，一个已经服了药的患者血压下降但咱们无从知道在同一时刻若是他没有服药血压是否是也会下降。

这个时候作分析的同窗应该会说咱们作AB实验！咱们估计总体差别，显著就是有效，不显著就是无效。但咱们能作的只有这些么？

固然不是！由于每一个个体都是不一样的！总体无效不意味着局部群体无效！

• 若是只有5%的用户对发优惠券敏感，咱们能只触达这些用户么？或者不一样用户对优惠券敏感的阈值不一样，如何经过调整优惠券的阈值吸引更多的用户？
• 若是降压药只对有特殊症状的患者有效，咱们该如何找到这些患者？
• APP的新功能部分用户不喜欢，部分用户很喜欢，我能经过比较这些用户的差别找到改进这个新功能的方向么？

如下方法从不一样的角度尝试解决这个问题，但基本思路是一致的：咱们没法观测到每一个用户的treatment effect,但咱们能够找到一群类似用户来估计实验对他们的影响。

我会在以后的博客中，从CasualTree的第二篇Recursive partitioning for heterogeneous causal effects开始梳理下述方法中的异同。

整个领域还在发展中，几个开源代码都刚release不久，因此这个博客也会持续更新。若是你们看到好的文章和工程实现也欢迎在下面评论～

Uplift Modelling

1. Nicholas J Radcliffe and Patrick D Surry. Real-world uplift modelling with significance based uplift trees. White Paper TR-2011-1, Stochastic Solutions, 2011.[文章连接]

2. Yan Zhao, Xiao Fang, and David Simchi-Levi. Uplift modeling with multiple treatments and general response types. Proceedings of the 2017 SIAM International Conference on Data Mining, SIAM, 2017. [文章连接] [Github连接]

Casual Tree

1. Athey, S., and Imbens, G. W. 2015. Machine learning methods for
   estimating heterogeneous causal effects. stat 1050(5) [文章连接]

2. Athey, S., and Imbens, G. 2016. Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of
   Sciences. [文章连接] [Github连接] [paper慢慢读]

3. C. Tran and E. Zheleva, “Learning triggers for heterogeneous treatment effects,” in Proceedings of the AAAI Conference on Artificial Intelligence, 2019 [文章连接] [Github连接] [paper慢慢读]

Meta Learning

1. M. Oprescu, V. Syrgkanis and Z. S. Wu. Orthogonal Random Forest for Causal Inference. Proceedings of the 36th International Conference on Machine Learning (ICML), 2019 [文章连接] [GitHub连接]

2. Sören R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, and Bin Yu. Metalearners for estimating heterogeneous treatment effects using machine learning. Proceedings of the National Academy of Sciences, 2019. [文章连接] [GitHub连接]