《因果推断的python实现》序言_Matheus Facure

最新推荐文章于 2024-06-14 09:50:01 发布

鲸鱼在dn

最新推荐文章于 2024-06-14 09:50:01 发布

阅读量108

点赞数 1

分类专栏： # 广告算法计算广告文章标签： python 算法

本文链接：https://blog.csdn.net/qq_41697157/article/details/134147897

版权

计算广告同时被 2 个专栏收录

16 篇文章 1 订阅

订阅专栏

广告算法

3 篇文章 0 订阅

订阅专栏

最近找了一些因果推断相关的书来读，找到一本营销和工业界例子较多的书，因为书是英文版的，因此记个笔记。书名《Casual Inference in Python——Apply Causal Inference in the Tech Industry》

引子：付费营销到底给公司带来了多少额外的客户?

查看图1，我们开始做付费营销后，我们确实看到来自付费营销的用户有在增长，但是我们同时也观测到，自然用户量有在下降，我们是不是可以认为，就算没有付费营销活动，用户也会自然来？我想你可以比较一下启动营销活动之前和之后的用户总数（包括有自然用户和付费用户）。但是，在一个快速发展和多种其他活动叠加的公司，你怎么知道当启动其他活动时，其他一切都没有改变（图2）。

图1

图2

在这里插入图片描述

为什么需要因果推断，什么是因果推断

您需要了解更改您可以控制的某些内容（营销预算）对您希望影响的某些业务结果（用户）的影响。

因果推理是一门从关联关系中推断因果关系的科学，并理解何时及为何是因果关系而不是相关关系(Causal inference is the science of inferring causation from association and understanding when and why they differ)。

相关关系(association)是指两个量或随机变量一起移动，而因果关系是指一个变量的变化引起另一个变量的变化。

需要的前置知识

Python基础知识，包括最常用的库：Pandas、NumPy、Matplotlib、Scikit-learn。
了解基本的统计概念，如分布、概率、假设检验、回归、噪声、期望值、标准偏差。如果你需要回顾的话，这些内容将在本书第二章中review。
了解基本的数据科学概念，如机器学习模型、交叉验证、过拟合和一些最常用的机器学习模型（决策树、线性回归、逻辑回归）。
高中数学知识，如函数，对数，矩阵和向量，以及一些大学水平的数学，如导数和积分。

本书结构

第一部分介绍因果推理的基本概念

第一章介绍了因果推理的关键概念，你可以用它们来简单推理降价对销量的影响。
第二章讨论了A/B测试（或随机对照试验）的重要性。A/B测试不仅是一种决策工具，而且是用来衡量其他因果推断工具的黄金标准。第二章中也会回顾一些统计概念。
第三章主要是理论性的，包括因果关系识别(casual identification)和图模型(graphical models)。这些方法可以帮助我们得出对因果过程的假设，并告诉我们需要做什么，才能理清关联关系与因果关系。
在完成第一部分之后，你应该有基本的基础来思考因果推理。

第二部分介绍两种从相关性中解出因果关系的方法：线性回归(linear regression)和倾向加权(propensity weighting)。

*第4章介绍了线性回归，但不是从大多数数据科学家熟悉的角度。相反，您将学习一种重要的偏差消除技术：正交(orthogonalization)。

第5章介绍了倾向得分(Propensity Score)和双重稳健估计( Doubly-Robust estimation.)。

第三部分将第二部分的方法与机器学习和大数据技术结合。

你将研究因果推理作为个性化决策的工具。如，从送餐服务的角度来看，你会试图了解哪些顾客应该得到折扣券，哪些顾客不需要额外的奖励。

在第6章介绍异质治疗效果(heterogeneous treatment effects)。
第7章介绍了机器学习和因果推理交叉领域的最新发展。在本章中，您将学习T、X和S-learners 以及Double/Debiased Machine
Learning等方法，所有这些方法都在第六章的个性化治疗的背景下展开。