Wasserstein 随机森林及其在异质处理效应中的应用
机器学习
2021-02-16 v3 机器学习
统计方法学
摘要
我们通过提出随机森林的自然变体来估计关键条件分布，从而对异质处理效应背景下的因果推断提出新的见解。为此，我们根据经验测度之间的 Wasserstein 距离重新表述了 Breiman 最初的分裂准则。这一重构表明随机森林很适合估计条件分布，并为该算法向多元输出提供了自然扩展。遵循 Breiman 构造的思想，我们提出了一些非常适合条件分布估计问题的分裂规则的变体。我们建立了一些初步的理论联系，并进行了各种数值实验，这些实验表明我们的方法如何有助于在复杂情况下进行更透明的因果推断。
引用
@article{arxiv.2006.04709,
title = {Wasserstein Random Forests and Applications in Heterogeneous Treatment Effects},
author = {Qiming Du and Gérard Biau and François Petit and Raphaël Porcher},
journal= {arXiv preprint arXiv:2006.04709},
year = {2021}
}