Meta-learners (Reference)
SLeaner
- 訓(xùn)練集將原Treatment列當(dāng)作特征和特征集
合并訓(xùn)練一個(gè)Single Model做葵。
- 測(cè)試集中生成新的兩列弧满，一列Treatment，值為1仙蚜，另一列Control肛捍，值為0相种，隨后這兩列分別和特征集
和
臂拓。
- 估計(jì)的CATE為兩列的差：
TLearner
- 訓(xùn)練集根據(jù)Treatment的值分為兩個(gè)樣本集，一個(gè)處理組樣本集缘薛，一個(gè)控制組樣本集窍育，針對(duì)兩個(gè)樣本集分別訓(xùn)練兩個(gè)模型Model_treatment，Model_control宴胧。
- 測(cè)試集分別使用Model_treatment和Model_control預(yù)測(cè)出兩列漱抓，分別為
和
。
- 估計(jì)的CATE為兩列的差：
XLearner
- 訓(xùn)練集根據(jù)Treatment的值分為兩個(gè)樣本集恕齐，一個(gè)處理組樣本集乞娄，一個(gè)控制組樣本集，針對(duì)兩個(gè)樣本集分別訓(xùn)練兩個(gè)模型Model_treatment显歧，Model_control仪或。
- 在全訓(xùn)練集上分別使用Model_treatment和Model_control預(yù)測(cè)出兩列，分別為
- 將殘差列作為新的標(biāo)簽，再次根據(jù)Treatment的值分為兩個(gè)樣本集巨缘，一個(gè)處理組樣本集添忘，一個(gè)控制組樣本集，針對(duì)兩個(gè)樣本集分別訓(xùn)練兩個(gè)模型Residual_model_treatment若锁，Residual_model_control搁骑。
- 測(cè)試集分別使用Residual_model_treatment和Residual_model_control預(yù)測(cè)出兩列，分別為
和
又固。
- 估計(jì)的CATE為兩列的差：
為propensity score仲器。
RLearners
RLearner (Reference)
- 訓(xùn)練集確定好兩列：Outcome和Treatment，分別以該兩列為標(biāo)簽訓(xùn)練兩個(gè)模型（根據(jù)值的類型確定使用分類模型還是回歸模型）仰冠，model_y和model_t娄周。
- 在訓(xùn)練集中分別使用model_y和model_t預(yù)測(cè)出兩列，分別為
和
沪停，各自計(jì)算殘差列：
- 根據(jù)以上兩殘差列生成殘差標(biāo)簽
和權(quán)重
:
- 在訓(xùn)練集中以
Doubly Robust Learner (Reference)
訓(xùn)練集確定好兩列：Outcome和Treatment舷礼，分別訓(xùn)練兩個(gè)模型model_regression（回歸模型）和model_propensity（分類模型）鹃彻。其中，model_regression以特征集
使用model_propensity分別預(yù)測(cè)出Treatment和Control的傾向得分值谨履，分別為
和
欢摄。（注：傾向得分Propensity可能會(huì)出現(xiàn)0的情況，可用
進(jìn)行替代笋粟。）
在訓(xùn)練集中生成新的兩列怀挠，一列Treat_value，值為1害捕，另一列Control_value绿淋，值為0。在訓(xùn)練集中將Treat_value尝盼、Control_value列分別和特征集
和
盾沫。
根據(jù)以上兩列傾向得分和兩列預(yù)測(cè)值分別計(jì)算
和
:
在訓(xùn)練集中以特征集
為輸出，訓(xùn)練回歸模型model_final疮跑，并在測(cè)試集中進(jìn)行預(yù)測(cè)组贺，得到的預(yù)測(cè)值即為估計(jì)的CATE。
