Что хотят услышать интервьюеры:

Causal Forest — это метод оценки причинного эффекта воздействия на разных группах объектов, а не только среднего эффекта по всей выборке. Он нужен, когда важно понять, кому именно помогает лечение, акция, рекомендация или любое другое воздействие. Метод строит много деревьев решений и оценивает гетерогенность эффекта, то есть различия эффекта между сегментами.

Определение:

Causal Forest — это ансамблевый метод для оценивания индивидуальных или условных причинных эффектов в задачах causal inference. Он расширяет идею Random Forest, но вместо предсказания таргета оценивает разницу между исходами при наличии и отсутствии воздействия. На практике Causal Forest помогает находить, как эффект treatment меняется в зависимости от признаков объекта.

Пример использования:

Например, в e-commerce нужно понять, кому показывать персональную скидку.
Causal Forest может оценить, у каких пользователей скидка реально увеличивает вероятность покупки, а у каких — почти не влияет.

# Псевдокод, общий принцип
# X - признаки пользователей
# T - факт получения скидки/воздействия (0/1)
# Y - целевая метрика, например покупка

from causal_forest_library import CausalForest

model = CausalForest()
model.fit(X, T, Y)

# Оценка индивидуального причинного эффекта
ite = model.predict_effect(X_new)

# Например, выбираем только тех, кому акция дает заметный uplift
target_users = X_new[ite > threshold]

Пояснение кода:

Код показывает типичный сценарий использования Causal Forest. Сначала модель обучается на признаках X, факте воздействия T и наблюдаемом результате Y. Затем для новых объектов оценивается причинный эффект predict_effect, то есть насколько treatment меняет ожидаемый outcome. После этого можно принять бизнес-решение, например таргетировать скидку только на сегменты с высоким положительным uplift.

Ключевые моменты:

Causal Forest оценивает не просто прогноз, а причинный эффект воздействия.
Главная ценность метода — поиск гетерогенности эффекта по сегментам.
Он особенно полезен в marketing uplift, персонализации, медицине и A/B-подобных сценариях.
Метод опирается на идею ансамбля деревьев, но оптимизирован под causal inference, а не под обычную регрессию.
На практике важно корректно учитывать смещение отбора и условия применимости причинного вывода.
Causal Forest часто используют для оценки ATE и CATE/ITE в зависимости от постановки задачи.

Что такое Causal Forest?