# causal inference

```yaml
https://zhuanlan.zhihu.com/p/442882553  跟着开源项目学因果推断——pylift库的使用（十八）  pylift已废弃 ，且采用的是 Transformed Outcome 方法，然后用机器学习解决。

https://mp.weixin.qq.com/s/qTzhyvtYEENbUZ1ktUyKNg  基于反事实因果推断的度小满额度模型
https://mp.weixin.qq.com/s/KeIWPqj9lh11kSmZ5CbPRw  因果推断在翼支付智能决策场景的应用 =======  好文
因果推断：数据变量之间存在的关系有三类：因果、混淆、样本选择偏差
因果推断主要解决两类问题：因果关系挖掘，因果效应估计 （Uplift Model）
Uplift Model主要用的是meta-learner 中的 S-learner ，  评估指标是：AUUC

https://mp.weixin.qq.com/s/xmiMi7JPDwG5r0BP8QDI-A  该把优惠券发送给哪些用户？一文读懂Uplift模型
https://mp.weixin.qq.com/s/FOVggFduHKeDr3jidcmqgA  一文读懂uplift model进阶 =======  好文
https://mp.weixin.qq.com/s/YFZQIylt_lPZtxgW2I5p5Q  一文读懂uplift model
https://mp.weixin.qq.com/s/xmiMi7JPDwG5r0BP8QDI-A  该把优惠券发送给哪些用户？一文读懂Uplift模型
https://zhuanlan.zhihu.com/p/448145621  因果推断与uplift模型
https://zhuanlan.zhihu.com/p/425898510  增益模型（Uplift Model）的基础介绍 —— 估算ITE
https://zhuanlan.zhihu.com/p/671694744  【因果推断】A survey on causal inference
https://zhuanlan.zhihu.com/p/519506140  【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
https://zhuanlan.zhihu.com/p/362788755   【Uplift】建模方法篇 =======  好文
https://zhuanlan.zhihu.com/p/363082639   【Uplift】评估方法篇
https://zhuanlan.zhihu.com/p/365860774   Uplift 经典模型介绍
https://mp.weixin.qq.com/s/vsRQMhLF0TEwatyGyGmtZQ  Python：从随机实验到双重机器学习
https://mp.weixin.qq.com/s/-R2pkuliMwbink4AFwa4AA  因果推断之Uplift Model
https://mp.weixin.qq.com/s/t6yWtw2TiCXLkMIM_xmuoA  6000字！一文读懂智能营销增益模型 ( Uplift Model )
https://zhuanlan.zhihu.com/p/410053669  因果推断笔记——入门学习因果推断在智能营销、补贴的通用框架（十一）
https://zhuanlan.zhihu.com/p/401010271  【因果推断/uplift建模】Double Machine Learning(DML)
https://mp.weixin.qq.com/s/jZbSTKSC0G1VC6qz0VaVfA  因果推断在度小满金融场景的应用探索
https://mp.weixin.qq.com/s/fLkuMyM86dSTtI8bBdutgw  金雅然：因果推断主要技术思想与方法总结
https://zhuanlan.zhihu.com/p/464632616  Uplift Modeling相关数据集
https://zhuanlan.zhihu.com/p/411557982  因果推断笔记——因果图建模之微软开源的EconML（五）
https://zhuanlan.zhihu.com/p/411552693  因果推断笔记——因果图建模之Uber开源的CausalML（十二）
https://zhuanlan.zhihu.com/p/456080557  因果推断——借微软EconML测试用DML和deepIV进行反事实预测实验（二十五）
https://mp.weixin.qq.com/s/CL3PQxlj8aL7MB3sKbHXdw  因果推断之Uplift Model｜CausalML实战篇
https://zhuanlan.zhihu.com/p/442881104  Uplift Modeling的相关案例介绍

```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://json007.gitbook.io/svm/causal-inference.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.