SingleTreePolicyInterpreter

https://github.com/py-why/EconML

用EconML进行决策

https://github.com/py-why/EconML

干预通常是有成本的：激励用户成为会员可能会有成本（例如提供折扣）。因此，我们目标是想知道哪些客户的的参与可以最大限度地提高利润。这是干预政策（treatment policy）。

EconML库包括策略可解释性工具，如SingleTreePolicyInterpreter，它考虑了干预成本和干预效果，以识别哪些客户可以带来盈利的简单规则。

intrp = SingleTreePolicyInterpreter(risk_level=0.05, max_depth=2, min_samples_leaf=10)
intrp.interpret(est_dw, test_customers, sample_treatment_costs=0.2)
plt.figure(figsize=(25, 5))
intrp.plot(feature_names=X_data.columns, fontsize=12)

 

SingleTreePolicyInterpreter例子

0.14.1

import econml
# 查看 econml 的版本
econml_version = econml.__version__
econml_version
from econml.dml import CausalForestDML
from econml.cate_interpreter import SingleTreePolicyInterpreter, SingleTreeCateInterpreter

#from econml.interpret import SingleTreePolicyInterpreter
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression
%matplotlib inline
# 创建一个回归数据集
X, y = make_regression(n_samples=1000, n_features=10, n_informative=2, random_state=42)
# 假设其中一个特征对处理效应有影响
treatment_effect = X[:, 0] * 2
# 根据处理效应生成处理变量
treatment = (treatment_effect > 0).astype(int)

# 使用CausalForestDML模型
model = CausalForestDML(model_y=RandomForestRegressor(),
                        model_t=RandomForestRegressor(),
                        random_state=42)

# 拟合模型
model.fit(y, treatment, X=X)

# 创建解释器对象
intrp = SingleTreePolicyInterpreter(risk_level=0.05, max_depth=2, min_samples_leaf=1,min_impurity_decrease=.001)
intrp = SingleTreeCateInterpreter(include_model_uncertainty=True, max_depth=2, min_samples_leaf=10)

#interpreter = SingleTreePolicyInterpreter(max_depth=3, min_samples_leaf=10)
# 解释模型
#intrp.interpret(model, X, sample_treatment_costs=0.2)
intrp.interpret(model, X)
#interpreter.interpret(model, X, treatment, y)
# We interpret the CATE model's behavior based on the features used for heterogeneity

# Plot the tree
plt.figure(figsize=(25, 5))
intrp.plot(feature_names=['feature_0', 'feature_1', 'feature_2', 'feature_3', 'feature_4', 'feature_5', 'feature_6', 'feature_7', 'feature_8', 'feature_9'], fontsize=12)
plt.show()

参考

关于人工智能的因果推理领域有什么学习推荐？ - 知乎

机器学习中有哪些涉及统计因果推断的算法？ - 知乎

因果推断与反事实预测——利用DML进行价格弹性计算（二十四） - 知乎

【机器学习-因果推断】DoWhy+EconML 入门最佳案例：促销定价的因果效应 - 知乎