causalml
量化每个动作的真实增量，把预算花在会被打动的人身上
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-10-25 · 当前星标 ★ 6032
技术标签
使用教程
⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
环境要求
- 可用的 Python 运行环境（项目为 Python 包）
- 可用的 pip 包管理工具
- 能访问官方安装文档与快速入门文档
- 具备基础的机器学习与因果推断概念（处理组/对照组、CATE）
安装与启动步骤
-
1确认 Python 环境
项目是 Python 包，先确认本机已安装 Python 且 pip 可用，再决定安装方式。
python --version pip --version -
2查看官方安装文档
README 未直接给出安装命令，安装方式以官方安装页为准，按页面说明选择对应平台的做法。
-
3安装 causalml 库
按安装页给出的方式安装该 Python 包；不同系统与 Python 版本依赖不同，不要自行猜测版本号。
-
4打开快速入门文档
README 中的 Quickstart 页提供可直接运行的代码片段，用它熟悉从数据到 CATE 估计的流程。
-
5运行示例代码
把快速入门页的代码片段复制到脚本或 Notebook 中运行，先跑通再替换成自己的实验数据。
如何确认成功
按快速入门示例运行无导入报错，并能输出个体处理效应（CATE）估计结果，即视为环境可用。
常见问题
Q：README 里为什么没有 pip 安装命令？
A：README 只把安装说明指向官方安装文档页面，具体命令与依赖以该页面当前内容为准。
Q：安装失败怎么排查？
A：先确认 Python 与 pip 版本匹配，再对照官方安装页的依赖说明逐项检查，不要混用多个 Python 环境。
Q：需要 GPU 吗？
A：README 未提及 GPU 要求，按官方安装文档的说明准备环境即可。
Q：输入数据有什么要求？
A：需要包含特征 X、干预标记 T 与结果 Y 的实验或观测数据，具体字段格式见快速入门示例。
注意事项
- 该项目处于孵化状态，可能包含实验性代码，API 可能变化，升级前留意版本说明。
- 本教程未给出具体安装命令，是因为 README 未提供；请以官方安装文档页面的内容为准，不要照搬网络上的第三方命令。
- 快速入门示例建议先在独立虚拟环境中运行，避免与已有依赖冲突。
核心亮点
- 方法覆盖全面，元学习器、树模型、双重稳健、工具变量等主流因果方法均有实现
- API 与 scikit-learn 风格一致，上手成本低，便于嵌入现有建模流程
- 内置 Qini、AUUC 等增益评估指标与可视化，可直接对比模型效果
不足之处
- 部分高级方法与最新因果推断研究进展存在滞后，更新节奏不算快
- 大规模数据下的性能与分布式支持有限，主要面向单机场景
- 对因果假设（无混淆、重叠性等）的检验工具较少，需使用者自行把关
适用场景
- 营销活动中的优惠券/补贴投放，识别对激励敏感的用户群体
- 用户增长运营中评估推送、召回策略的真实增量效果
- 金融风控与信贷场景下估计授信、提额等干预的因果影响
替代项目
EconML、DoWhy、pyLift
上一篇：DiffusionART
下一篇：没有了！
同类项目推荐
DiffusionOPSD
开源
让扩散模型自我蒸馏，少步采样也能生成高质量图像
On-Policy Self-Distillation in Diffusion Models
ludwig
开源
写个 YAML 就能训练大模型，告别繁琐代码
Low-code framework for building custom LLMs, neural networks, and other AI models
simple-diffusion
开源
用最简代码看懂扩散模型，快速跑通图像生成
A minimal implementation of a denoising diffusion model in PyTorch.
Spectral-DeTuning
开源
一键还原生成模型微调前的原始权重，逆向去微调
Official PyTorch Implementation for the "Recovering the Pre-Fine-Tuning Weights of G···
paradigms
开源
并行采样加速扩散模型，少步生成高质量图像
PyTorch implementation for "Parallel Sampling of Diffusion Models", NeurIPS 2023 Spo···
ai8x-training
开源
在电脑上训练量化模型，一键部署到毫瓦级 AI 芯片
Model Training for ADI's MAX78000 and MAX78002 Edge AI Devices
Rearchitecting-LLMs
开源
手把手教你剪枝、蒸馏、优化注意力，免费GPU跑通
Official code for the Manning book on structural LLM optimization: depth/width pruni···
Chattiori-Model-Merger
开源
按比例混合扩散模型，快速生成自定义风格模型
Merges latent diffusion models at a user-defined ratio
dreambooth-keras
开源
用 TensorFlow 微调 Stable Diffusion，实现个性化图像生成。
Implementation of DreamBooth in KerasCV and TensorFlow.