UTBoost：用于提升建模的梯度提升决策树

提升建模包含一系列机器学习技术，旨在让管理者预测特定行动对客户结果的增量影响。然而，由于需要为每个个体确定两个互斥结果之间的差异，准确估计这种增量影响面临重大挑战。在我们的研究中，我们对已建立的梯度提升决策树（GBDT）技术引入了两项新颖的修改。这些修改顺序地学习因果效应，以解决反事实困境。每项修改分别在集成学习方法和学习目标方面对现有技术进行了创新。大规模数据集的实验验证了我们方法的有效性，始终如一地实现了相对于基线模型的大幅改进。