这篇论文是在 Recursive Partitioning for Heterogeneous Casual Effects 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: 旨在增强模型generalization
论文
C. Tran and E. Zheleva, “Learning triggers for heterogeneous treatment effects,” in Proceedings of the AAAI Conference on Artificial Intelligence, 2019
模型
Trigger
Trigger的计算主要用在treatment是一个潜在连续变量,例如服药的剂量,优惠券的金额等等。这时实验希望得到的不仅是优惠券是否能提升用户留存,而且是对哪些用户使用多少金额的优惠券能最大化ROI。
作者在通过树划分用户群的同时计算能够使该用户群CATE最大化的Trigger阈值。既在遍历所有特征可能取值的同时遍历所有treatment的可能取值,取jointly的最优解。如下
[
begin{align}
T = {t_i}&quad text{treatment的所有可能取值}\
theta_l &quad text{最优treatment阈值}\
F^t(S_l) &= max_{theta_l}F(S_l)\
end{align}
]
小思考
感觉这里对最佳trigger的选择还有优化的空间。因为上述split假定了实验效果对treatment的取值是单调的,如果不单调上述split可能得到不make sense的结果。而且在一些应用场景下是希望取到有条件最优解,例如在成本不超过N的情况下收益越高越好,而不是简单的最大化实验效果,这个当前也还无法解决。
Node Penalty
在Athey(2016)的Casual Tree中,作者通过在Cost Functino中加入叶节点方差,以及用验证集估计CATE的方式来解决决策树过拟合的问题。这里Tran提出的新的penalty旨在衡量相同节点训练集和验证机在CATE估计上的差异。
我们先回顾一下要用到的Notation
[
begin{align}
& {(X_i, Y_i,T_i): X_i in X} \
& text{where X是特征,Y是Response,T是AB实验分组}\
&T_i in {0,1} quad \
&Y_i = begin{cases}
Y(1) & quad T_i = 0\
Y(0) & quad T_i = 1\
end{cases}\
&CATE: tau(x) = E(Y_i(1)-Y_i(0)|X=x)\
end{align}
]
以下是Athey(2016) Casual Tree的定义
[
begin{align}
&S_l = {(X_i, Y_i,T_i): X_i in X_l} quad text{叶节点-局部样本}\
&hat{mu_t}(S_l) = frac{1}{N_{l,t}}sum_{T_i=t, i in S_l}Y_i quad text{AB组Y的均值} \
&hat{tau}(S_l) = hat{mu_1}(S_l) -hat{mu_0}(S_l) quad text{叶节点CATE}\
&F(S_l) = N_l * hat{tau}^2(S_l)\
& text{cost fucntion}: max sum_{i=1}^L F(S_i)\
end{align}
]
作者先把全样本切分成train, val和test。 用训练集来建树, 用test来估计叶节点variance,penalize小的叶结点带来的高方差,然后用叶节点上train和val的差异来penalize损失函数,以下(lambda)控制penalty的大小:
[
begin{align}
&penalty = N_L^{val} * |hat{tau}(S_l^{val}) -hat{tau}(S_l^{train}) | \
&cost = frac{(1-lambda)F(S_l^{train}) - lambda * penalty}{|N_l^{train} - N_l^{val}| +1}\
end{align}
]
小思考
各式各样解决over-fitting的方法不能说没有用,但个人认为最终通过Casual Tree得到的特征和特征取值,还是要依据业务逻辑来进行验证。以及在不同的样本集上很可能特征取值的变动要超过over-fitting的影响。所以主观判断在这里也很重要
其他相关模型详见因果推理的春天-实用HTE论文GitHub收藏
欢迎留言~
- 还没有人评论,欢迎说说您的想法!