反事实交叉验证：面向因果推断模型的稳定模型选择方法
机器学习
2020-07-20 v5 机器学习
摘要
我们研究条件平均处理效应（CATE）预测中的模型选择问题。与以往关于该主题的工作不同，我们侧重于保持候选 CATE 预测器性能的排序，以实现准确且稳定的模型选择。为此，我们分析了模型性能排序问题，并制定了获得更好评估指标的准则。随后，我们提出了一种能够以高置信度识别 CATE 预测器性能排序的新指标。实证评估表明，我们的指标在模型选择和超参数调优任务中均优于现有指标。
引用
@article{arxiv.1909.05299,
title = {Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models},
author = {Yuta Saito and Shota Yasui},
journal= {arXiv preprint arXiv:1909.05299},
year = {2020}
}