#causal-forest

노트 2개

• Causal Forest Causal Forest는 Athey, Tibshirani, Wager (2019)가 제안한 일반화 랜덤 포레스트(GRF)를 인과추론에 응용한 방법으로, 처치효과(treatment effect)의 이질성이 최대가 되도록 데이터를 분할한다.
• Policy Trees 정책 트리(policy tree)는 Athey & Wager (2021)가 제안한 해석 가능한 정책 학습(policy learning) 방법이다. 개인 수준의 처치효과(treatment effect) 추정값(estimate)을 입력으로 받아, 결정 트리 형태의 명시적 정책 규칙을 학습한다.