MT-AUCC：多 Treatment 场景下的钱效评估指标一、背景：为什么需要 MT-AUCC1.1 AUUC 的局限在 Uplift 模型评估中，AUUC（Area Under Uplift Curve）是最常用的离线指标。它按模型预测的增量效应降序排列样本，计算累计增益曲线与随机线之间的面积。 但 AUUC 有一个根本假设：所有干预的成本相同。 现实营销场景中，这个假设往往不成立： 发一张"

因果推断与决策聚焦学习（DFCL）深度笔记本文档记录了关于因果推断、决策质量、Qini曲线与DFCL（Decision Focused Causal Learning）的完整思考链路，聚焦于一个核心命题：如何从“预测精度”转向“决策质量”。1. 起点：因果推断中的排序能力之争核心问题在因果推断驱动的营销决策中，真正影响决策质量的，是“多个个体之间的排序能力”，还是“单个个体在不同Treatment

S-Learner（Single Learner）

接下来这一章，咱们就来介绍一些基于深度学习的方法，当然这类方法理想情况下还是基于实验数据（RCT）进行训练。反事实回归网络（CFR）CFR其实是开启了使用深度学习的方式进行因果推断类任务的一个先河，我们知道，不同于观察模型， 因果类的模型更关注与干预的影响，而非预测值的准确性，想要从理论上得到这个干预的效果，就一定要拉齐环境，或者随机数据进行对比，所以这个网络的设计上就需要满足两方面的要求。具有拉

今天咱们进一步看因果推断的内容，做的业务多了以后你就发现，每当端到端的模型，一般不能解决你的认知问题，你做了一个端到端的模型，可能仅仅也就是是个模型，可能最重要的是你从这个事情中学到了什么？这个才能驱使你成为一个专家，行业专家。 所以多了解一些因果推断的内容是十分必要的，今天就来看看uplift建模方式。重新出发因果推断的建模大致为了解决以下几个问题。ITE: 单体的处置效应$$ITE=Y_{i}