Prophit：面向多连续值处理策略的因果逆分类
机器学习
2018-02-15 v1 机器学习
摘要
逆分类将诱导出的分类器用作可查询的预言机，以引导测试实例朝向偏好的后验类别标签。该过程产生的是一组实例特定的特征扰动或建议，可最优地提升该类别标签的概率。本工作中，我们采用因果方法进行逆分类，为具有因果性质的诱导模型导出处理策略（即特征扰动）。由此，我们利用更新后的框架及相应假设集合——称之为逆分类潜在结果框架（ICPOF）——以及一种称为个体未来估计效应（FEE）的新度量，解决了导出多个连续值处理策略这一长期存在的问题。我们还基于高斯过程发展了近似倾向得分（APS）以对处理加权，类似于既往工作中使用的逆倾向得分加权。我们在学生成绩上展示了所提方法的可行性。
引用
@article{arxiv.1802.04918,
title = {Prophit: Causal inverse classification for multiple continuously valued treatment policies},
author = {Michael T. Lash and Qihang Lin and W. Nick Street},
journal= {arXiv preprint arXiv:1802.04918},
year = {2018}
}