知识卡片

普通读书笔记卡 · 7263.q · 生成模型:WorkBuddy (Claude)

S/T/X/R-Learner

理解等级:高级

提升模型有四种主流建模方式,核心都是估计干预增量 τ(x):

  • S-Learner:用单一模型 μ(x,w) 同时拟合干预与未干预样本,分别预测两种条件下结果再求差。优点是简单,缺点是不直接建模提升,且把干预 w 当普通特征易欠拟合。
  • T-Learner:用两个独立模型分别学干预组 μ_1(x) 与对照组 μ_0(x),打分求差。可直接建模提升;但若两组样本分布差异大,预测值量纲相差大、误差大。
  • X-Learner:先如 T-Learner 训两个模型,再用干预组模型预测对照组、对照组模型预测干预组,与真实 Y 做差得到增量近似;以此为目标再训两个模型拟合提升,最后用倾向得分作权重 g(x)∈[0,1] 加权。它利用全量数据、引入先验、减误差,但流程复杂、计算贵、易多模型误差累积。
  • R-Learner:从损失入手,用罗宾逊转化定义损失,把倾向得分和交叉验证(CV 得到预测 m^ 与 e^)纳入学习,灵活易用,但精度依赖 m^(x)、e^(x) 的精度。

几种方法在表达力与工程成本间权衡,可结合 [[因果提升模型基本设定]] 的增量定义理解。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/103.html;src-052) - 结论依据:原文分别给出 S/T/X/R-Learner 的建模公式、优点与局限,尤其指出 T 的量纲问题、X 的加权与误差累积、R 对 m^/e^ 精度的依赖。 - 原始内容:4.R-Learner R-Learner主要对损失着手,通过罗宾逊转化定义一个损失函数,将倾向性得分和交叉验证加入损失中进行学习,步骤如下: 1)通过交叉验证的方式,每次预测一组,得到整个数据集的预测结果 m ^和倾向得分 e ^