一直以来机器学习希望解决的一个问题就是'what if'，也就是决策指导：

• 如果我给用户发优惠券用户会留下来么？
• 如果患者服了这个药血压会降低么？
• 如果APP增加这个功能会增加用户的使用时长么？
• 如果实施这个货币政策对有效提振经济么？

这类问题之所以难以解决是因为ground truth在现实中是观测不到的，一个已经服了药的患者血压降低但我们无从知道在同一时刻如果他没有服药血压是不是也会降低。

这个时候做分析的同学应该会说我们做AB实验！我们估计整体差异，显著就是有效，不显著就是无效。但我们能做的只有这些么？

当然不是！因为每个个体都是不同的！整体无效不意味着局部群体无效！

• 如果只有5%的用户对发优惠券敏感，我们能只触达这些用户么？或者不同用户对优惠券敏感的阈值不同，如何通过调整优惠券的阈值吸引更多的用户？
• 如果降压药只对有特殊症状的患者有效，我们该如何找到这些患者？
• APP的新功能部分用户不喜欢，部分用户很喜欢，我能通过比较这些用户的差异找到改进这个新功能的方向么？

以下方法从不同的角度尝试解决这个问题，但基本思路是一致的：我们无法观测到每个用户的treatment effect,但我们可以找到一群相似用户来估计实验对他们的影响。

我会在之后的博客中，从CasualTree的第二篇Recursive partitioning for heterogeneous causal effects开始梳理下述方法中的异同。

整个领域还在发展中，几个开源代码都刚release不久，所以这个博客也会持续更新。如果大家看到好的文章和工程实现也欢迎在下面评论～

Uplift Modelling

1. Nicholas J Radcliffe and Patrick D Surry. Real-world uplift modelling with significance based uplift trees. White Paper TR-2011-1, Stochastic Solutions, 2011.[文章链接]

2. Yan Zhao, Xiao Fang, and David Simchi-Levi. Uplift modeling with multiple treatments and general response types. Proceedings of the 2017 SIAM International Conference on Data Mining, SIAM, 2017. [文章链接] [Github链接]

Casual Tree

1. Athey, S., and Imbens, G. W. 2015. Machine learning methods for
   estimating heterogeneous causal effects. stat 1050(5) [文章链接]

2. Athey, S., and Imbens, G. 2016. Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of
   Sciences. [文章链接] [Github链接]

3. C. Tran and E. Zheleva, “Learning triggers for heterogeneous treatment effects,” in Proceedings of the AAAI Conference on Artificial Intelligence, 2019 [文章链接] [Github链接]

Meta Learning

1. M. Oprescu, V. Syrgkanis and Z. S. Wu. Orthogonal Random Forest for Causal Inference. Proceedings of the 36th International Conference on Machine Learning (ICML), 2019 [文章链接] [GitHub链接]

2. S?ren R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, and Bin Yu. Metalearners for estimating heterogeneous treatment effects using machine learning. Proceedings of the National Academy of Sciences, 2019. [文章链接] [GitHub链接]