风雨中的小七

摘要： CTR学习笔记系列的第一篇，总结在深度模型称王之前经典LR，FM, FFM模型，这些经典模型后续也作为组件用于各个深度模型。模型分别用自定义Keras Layer和estimator来实现，哈哈一个是旧爱一个是新欢。特征工程依赖feature_column实现，这里做的比较简单在后面的深度模型再好好 阅读全文

摘要： CACE全称Compiler Average Casual Effect或者Local Average Treatment Effect。在观测数据中的应用需要和Instrument Variable结合来看，这里我们只讨论CACE的框架给随机AB实验提供的一些learning。你碰到过以下低实验渗 阅读全文

摘要： 踩坑内容包含以下 feature_column的输入输出类型，用一个数据集给出demo feature_column接estimator feature_column接Keras feature_column 输入输出类型 输入输出类型 feature_column输入可以是原始特征的列名,或者是f 阅读全文

摘要： Meta Learner和之前介绍的Causal Tree直接估计模型不同，属于间接估计模型的一种。它并不直接对treatment effect进行建模，而是通过对response effect(target)进行建模，用treatment带来的target变化作为HTE的估计。主要方法有3种:T- 阅读全文

摘要： Hetergeneous Treatment Effect旨在量化实验对不同人群的差异影响，进而通过人群定向/数值策略的方式进行差异化实验，或者对实验进行调整。Double Machine Learning把Treatment作为特征，通过估计特征对目标的影响来计算实验的差异效果。 Machine 阅读全文

摘要： 已知特征$X=x_1$的样本呈现$Y=y_1$的特点,或者$Y=y_1$的样本有$X=x_1$的特征，如何计算干预X对Y的影响 Eg. 看快手视频喜欢评论的用户活跃程度更高，那引导用户去发表评论能让他们更活跃么? 建模特征应该如何选择，以及特征通过那些途径最终影响Y Eg. 个人并不喜欢有啥放啥的建 阅读全文

摘要： ## 背景 都说随机是AB实验的核心，为什么随机这么重要呢？有人说因为随机所以AB组整体不存在差异，这样才能准确估计实验效果（ATE） $$ ATE = E(Y_t(1) - Y_c(0)) $$ 那究竟随机是如何定义的呢？ 根据Rubin Causal Model， 想要让上述估计无偏，随机实验需 阅读全文

摘要： 如果你的产品改进方案本来就没啥效果当然怎么开实验都没用，但如果方案有效，请不要让 statistical Hack 浪费一个优秀的idea. 如果预期实验效果比较小，有哪些基础操作来增加实验显著性呢？ 阅读全文

摘要： 这篇论文是在 [Recursive Partitioning for Heterogeneous Causal Effects][1] 的基础上加入了两个新元素： - Trigger：对不同群体的treatment选择个性化阈值。 E.g优惠券力度，红包金额 - 新的Node Penalty: 旨在 阅读全文

摘要： 这篇是treatment effect估计相关的论文系列第一篇所以会啰嗦一点多给出点背景。 其他相关模型详见[AB实验的高端玩法系列1 - AB实验人群定向/个体效果差异/HTE 论文github收藏][2] ### 论文 Athey, S., and Imbens, G. 2016. Recurs 阅读全文