知识卡片
树模型因果方法
基于树的因果方法仿照 CART,但分裂标准不再是信息增益,而是直接对“干预增量(Uplift)”建模。三种典型算法:
- 提升树(Uplift Tree):把实验组与对照组视为两个概率分布,用分布散度(KL散度、欧氏距离、卡方散度)作为非叶节点分裂标准,最大化两组类别分布差异、减少不确定度。为防高比例类别偏差与破坏随机实验假设,公式中加入归一化并惩罚类别比例过大;剪枝用“最大类别概率差”,若根节点差异更大则剪枝。推理时样本落叶节点,比较该节点的控制值与干预值决定是否干预。
- 因果森林(Causal Forest):提升版随机森林,叶子足够细时近似消除混杂因子,对多子集树结果取均值得最终提升。
- CTS(Contextual Treatment Selection):与提升树的区别在分裂准则——它最大化节点上实验组与对照组“标签期望的差值” Δμ,而非分布散度。
三者都把“增量”作为分裂目标,与 [[S/T/X/R-Learner]] 的模型思路互补。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 精排层的样本选择和模型选择 8.5 因果场景 · 查看原书依据
对于因果森林,叶子节点足够小,分层分得足够细,我们认为该模型近似消除了混杂因子,则指定叶子节点的提升为: 最后,综合多个子集训练的树模型结果并取均值,得到最后的结果: 3.CTS CTS(Contextual Treatment Selection,内容干预选择)是基于树模型方法
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:原文说明树模型用分布散度或标签期望差直接对 Uplift 分裂,并给出提升树、因果森林、CTS 三种算法及各自的分裂/剪枝准则。
- 原始内容:对于因果森林,叶子节点足够小,分层分得足够细,我们认为该模型近似消除了混杂因子,则指定叶子节点的提升为: 最后,综合多个子集训练的树模型结果并取均值,得到最后的结果: 3.CTS CTS(Contextual Treatment Selection,内容干预选择)是基于树模型方法