Каузальные деревья и леса для нескольких воздейств
Jupyter-тетрадка-гайд "под ключ"

Расширяем применение каузальных деревьев и каузальных лесов на случай нескольких групп воздействия (uplift-моделирование).

CausalTreeRegressor и CausalRandomForestRegressor рассматривают группу 0 как контрольную. Модели прогнозируют индивидуальные эффекты воздействия для всех доступных групп, начиная с группы 1. Результатом является массив оцененных эффектов (наблюдения × число групп воздействия). Можно также возвращать условные исходы вместе с индивидуальными эффектами воздействия.