实体
Causal Forests
Causal Forests
PulseAugur coverage of Causal Forests — every cluster mentioning Causal Forests across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的CausalTreeHFD方法增强了因果推断中机器学习的可解释性
研究人员推出了一种名为CausalTreeHFD的新方法，旨在增强因果推断中使用的机器学习模型的可解释性。这种新方法通过结合Hoeffding函数分解来扩展因果森林，从而可以将预测分解为单个协变量及其交互作用的贡献。该方法旨在识别驱动处理效应变化的特定因素，解决了现有算法的“黑箱”性质。实验表明，CausalTreeHFD能够准确地找出相关的协变量及其对异质性处理效应的影响。
-
新方法校正因果森林估计中的偏差
研究人员在用于固定效应面板设置的因果森林中发现了一个系统性的衰减问题。这种平均化过程压缩了条件平均处理效应的估计异质性，导致预测值的分布范围减小。该研究提出了一种交叉拟合校正方法，该方法改编自现有工作，在模拟中显著降低了均方误差，并在真实世界数据中恢复了预期的分布范围。
-
研究发现：因果森林中的诚实性会损害准确性
一篇新的研究论文探讨了因果森林中“诚实性”的做法，这是一种用于估计个体处理效应以实现个性化干预的方法。研究表明，这种防止过拟合的标准做法实际上会降低估计准确性，尤其是在大型数据集和显著效应异质性情况下。作者认为，“诚实性”起到了正则化的作用，其使用应基于经验表现来决定，而不是作为默认设置。