AB實驗的高端玩法系列1-實用HTE(Heterogeneous Treatment Effects)論文github收藏

一直以來機器學習但願解決的一個問題就是'what if'，也就是決策指導：

• 若是我給用戶發優惠券用戶會留下來麼？
• 若是患者服了這個藥血壓會下降麼？
• 若是APP增長這個功能會增長用戶的使用時長麼？
• 若是實施這個貨幣政策對有效提振經濟麼？

這類問題之因此難以解決是由於ground truth在現實中是觀測不到的，一個已經服了藥的患者血壓下降但咱們無從知道在同一時刻若是他沒有服藥血壓是否是也會下降。

這個時候作分析的同窗應該會說咱們作AB實驗！咱們估計總體差別，顯著就是有效，不顯著就是無效。但咱們能作的只有這些麼？

固然不是！由於每一個個體都是不一樣的！總體無效不意味着局部羣體無效！

• 若是隻有5%的用戶對發優惠券敏感，咱們能只觸達這些用戶麼？或者不一樣用戶對優惠券敏感的閾值不一樣，如何經過調整優惠券的閾值吸引更多的用戶？
• 若是降壓藥只對有特殊症狀的患者有效，咱們該如何找到這些患者？
• APP的新功能部分用戶不喜歡，部分用戶很喜歡，我能經過比較這些用戶的差別找到改進這個新功能的方向麼？

如下方法從不一樣的角度嘗試解決這個問題，但基本思路是一致的：咱們沒法觀測到每一個用戶的treatment effect,但咱們能夠找到一羣類似用戶來估計實驗對他們的影響。

我會在以後的博客中，從CasualTree的第二篇Recursive partitioning for heterogeneous causal effects開始梳理下述方法中的異同。

整個領域還在發展中，幾個開源代碼都剛release不久，因此這個博客也會持續更新。若是你們看到好的文章和工程實現也歡迎在下面評論～

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.[文章連接]

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. [文章連接] [Github連接]

Casual Tree

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

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

3. C. Tran and E. Zheleva, 「Learning triggers for heterogeneous treatment effects,」 in Proceedings of the AAAI Conference on Artificial Intelligence, 2019 [文章連接] [Github連接] [paper慢慢讀]

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 [文章連接] [GitHub連接]

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. [文章連接] [GitHub連接]