叶子节点直接输出uplift值，决策树构建流程：

1. 节点划分

在每个树节点上，遍历所有特征以及该特征下的所有取值，以最大化实验组和对照组之间的转化率差异。

2. 增益计算

每个节点根据实验组和对照组在该特征下的转化率差异来计算增益。例如，某一群体可能在干预下表现出更高的购买率，而另一群体则没有显著变化。增益计算公式如下：
D gain = D after _ split ( P T ( Y ) , P C ( Y ) ) − D before _ split ( P T ( Y ) , P C ( Y ) ) D_{\text {gain }}=D_{\text {after }\_{\text {split }}}\left(P^T(Y), P^C(Y)\right)-D_{\text {before}\_{\text {split }}}\left(P^T(Y), P^C(Y)\right)Dgain​=Dafter_split​(PT(Y),PC(Y))−Dbefore_split​(PT(Y),PC(Y))

• P T ( Y ) P^T(Y)PT(Y)表示实验组样本中类别Y YY的概率
• P C ( Y ) P^C(Y)PC(Y)表示对照组样本中类别Y YY的概率
• D DD表示度量距离，可以欧氏距离、KL散度等
• D after _ split ( P T ( Y ) , P C ( Y ) ) D_{\text {after }\_{\text {split }}}\left(P^T(Y), P^C(Y)\right)Dafter_split​(PT(Y),PC(Y))即为该叶子节点的uplift值，一般都是P T ( Y ) − P C ( T ) P^T(Y) - P^C(T)PT(Y)−PC(T)

3. 增益预测

给定一用户，根据该用户的所有特征以及该特征下的所有取值，将其分配到某一个叶子节点，得到该用户的uplift值。

示例

参考

• 因果推断笔记——uplift建模、meta元学习、Class Transformation Method（八）
• 闲聊因果效应（5）：树模型（Tree-Based）、分类模型（The class transformation）