Что такое meta-learners (S-learner, T-learner, X-learner, R-learner)?

Meta-learners — это подходы в каузальном выводе и uplift-моделировании, которые позволяют оценивать индивидуальный причинный эффект (например, влияние лечения) с помощью стандартных моделей машинного обучения.

• S-learner (Single-learner): объединяет данные с признаком лечения как дополнительной переменной и обучает одну модель, которая предсказывает результат в зависимости от признаков и лечения. Эффект лечения вычисляется как разница предсказаний при treatment=1 и treatment=0.
• T-learner (Two-learner): обучает две отдельные модели — одну на данных с treatment=1, другую на данных с treatment=0. Индивидуальный эффект — разница предсказаний двух моделей.
• X-learner (Cross-learner): улучшает T-learner, используя кросс-оценку эффектов и веса, чтобы компенсировать дисбаланс в данных и повысить точность оценки эффекта.
• R-learner (Residual-learner): использует подход с резидуалами, где сначала моделируются исходный результат и вероятность лечения, а затем обучается модель на остатках для оценки эффекта лечения, что позволяет лучше справляться с конфаундерами.

Эти методы позволяют применять стандартные ML-модели для решения задач каузального вывода, адаптируя их под специфику оценки причинного эффекта.