基于因果推断的单枝集成树增益建模方法
机器学习
2023-02-06 v1
摘要
在本稿件(ms)中,我们提出基于因果推断的单枝集成树用于增益建模,即 CIET。不同于用于预测概率建模的标准分类方法,CIET 旨在实现由某一动作或处理引起的结局预测概率的变化。根据我们的 CIET,专门设计了两个划分准则以最大化处理组与对照组之间结局分布的差异。接下来,通过自顶向下的节点划分方法构建一种新颖的单枝树,由于未被上层节点划分逻辑覆盖,剩余样本被剔除。在剔除数据上重复建树过程,从而形成具有一组推断规则的单枝集成树。此外,实验证明 CIET 在增益曲线下面积(AUUC)和 Qini 系数上均显著优于以往的增益建模方法。目前,CIET 已应用于中国某全国性金融控股集团的线上个人贷款。CIET 也将对将机器学习技术应用于诸如网络广告、医学和经济学等更广泛商业领域因果推断的分析师有所助益。
引用
@article{arxiv.2302.01563,
title = {Causal Inference Based Single-branch Ensemble Trees For Uplift Modeling},
author = {Fanglan Zheng and Menghan Wang and Kun Li and Jiang Tian and Xiaojia Xiang},
journal= {arXiv preprint arXiv:2302.01563},
year = {2023}
}