عن المشروع

EconML هي حزمة بايثون لتقدير التأثيرات العلاجية غير المتجانسة من البيانات الرصدية عبر التعلم الآلي. صُممت وبُنيت كجزء من مشروع ALICE في أبحاث مايكروسوفت، وتجمع بين أحدث تقنيات التعلم الآلي والاقتصاد القياسي لجلب الأتمتة إلى مشكلات الاستدلال السببي المعقدة. الغرض الأساسي: قياس التأثير السببي لمتغير علاجي واحد أو أكثر T على متغير النتيجة Y، مع التحكم في الميزات X وW، وكيف يتغير ذلك التأثير كدالة لـ X. تعمل الأساليب مع مجموعات البيانات الرصدية (غير التجريبية أو التاريخية). للتفسير السببي، تفترض بعض الأساليب عدم وجود متغيرات مربكة غير مرصودة، بينما تفترض أساليب أخرى إمكانية الوصول إلى أداة Z تؤثر على العلاج T ولكن ليس لها تأثير مباشر على النتيجة Y. توفر معظم الأساليب فترات ثقة ونتائج استدلال. تشمل أهداف التصميم المعلنة تنفيذ تقنيات حديثة عند تقاطع الاقتصاد القياسي والتعلم الآلي، والحفاظ على المرونة في نمذجة عدم تجانس التأثير (الغابات العشوائية، والتعزيز، ولاسو، والشبكات العصبية) مع الحفاظ على التفسير السببي وغالبًا تقديم فترات ثقة صالحة، واستخدام واجهة برمجية موحدة، والبناء على حزم بايثون القياسية للتعلم الآلي وتحليل البيانات. تشمل عائلات التقدير المنفذة كما هو موضح في README: - التعلم الآلي المزدوج (LinearDML، SparseLinearDML، NonParamDML، CausalForestDML) مع فترات ثقة OLS أو bootstrap. - التعلم الآلي المزدوج الديناميكي لبيانات اللوحة (DynamicDML). - الغابات العشوائية المتعامدة (DMLOrthoForest، DROrthoForest). - المتعلمون الفوقيون: XLearner، SLearner، TLearner. - المتعلمون المتينون مزدوجًا: LinearDRLearner، SparseLinearDRLearner، ForestDRLearner. - أساليب المتغيرات الأداتية: OrthoIV، NonParamDMLIV، LinearDRIV، SparseLinearDRIV، ForestDRIV، LinearIntentToTreatDRIV. يشمل دعم التفسير مفسرًا شجريًا لنموذج CATE (SingleTreeCateInterpreter)، ومفسرًا للسياسات (SingleTreePolicyInterpreter)، وقيم SHAP لنموذج CATE. اختيار النموذج والتحقق: RScorer لاختيار النموذج السببي، والتنقيط والتجميع الموزون؛ واختيار نموذج المرحلة الأولى المدمج الذي يعمل مع فئات اختيار نموذج sklearn مثل LassoCV أو GridSearchCV، أو قائمة من النماذج المرشحة. الاستدلال: عند التمكين، يوفر كائن InferenceResults قيم p وإحصاءات z والأخطاء المعيارية وفترات الثقة؛ وتتوفر طريقة summary() لنماذج CATE الخطية البارامترية، بالإضافة إلى ملخصات effect_inference على مستوى العينة والمجتمع. تعلم السياسات: تعلم السياسات المباشر من البيانات الرصدية باستخدام طريقة متينة مزدوجًا لتعلم السياسات دون الاتصال المباشر، والتنبؤ بعلاج موصى به. التثبيت عبر pip install econml من PyPI؛ وتوثيق تثبيت المصدر متاح للمطورين. يحافظ المشروع على سجل إصدارات نشط ووثائق على pywhy.org/EconML، مع تعليمات للاختبارات وتوليد الوثائق للمساهمين.