Skip to main content

> ML_KUTUPHANE // ECONML_v1.0

EconML

Microsoft Research / PyWhy — Çifte Makine Öğrenimi yoluyla Heterojen Tedavi Etkilerini tahmin etmek için Microsoft Research ve PyWhy araç seti.

probabilistic-modellingv0.15.1BSD-3-Clausequalified
Resmi DokümantasyonKaynak Kod Deposu

Model Eğitimi (Training)

Destekleniyor
Desteklenen Hızlandırıcılar:
CPU
Dağıtık Eğitim (Distributed):Hayır

Model Sunumu (Inference)

Destekleniyor
Inference Hızlandırıcıları:
CPU
Hedef Ortamlar (Targets):server

Neleri Sağlar (Ne Yapar)

  • +Keyfi makine öğrenimi tahminleyicileri (LightGBM, XGBoost, Random Forests) kullanan Çifte Makine Öğrenimi (DML)
  • +Kişiselleştirilmiş etki tahmini için Nedensel Ormanlar ve Genelleştirilmiş Rassal Ormanlar (GRF)
  • +Panel verileri kullanarak zaman içinde dinamik müdahale etkileri
  • +Optimum kişiselleştirilmiş karar kuralları için politika öğrenimi

Neleri Sağlamaz (Ne Yapmaz)

  • -Yapılandırılmamış ses veya video akışlarını işleme
  • -Varsayımlar olmadan ham gözlemsel verilerden otomatik nedensel keşif yapma
  • -Uç mobil tarayıcılarda çalışma

>Uygun İş Tipleri

  • Hangi müşteri segmentlerinin indirim alması gerektiğini belirleyen kişiselleştirilmiş fiyatlandırma
  • Hangi hasta alt gruplarının bir ilaçtan en çok faydalandığını keşfeden tıbbi tedavi kişiselleştirmesi
  • Yüksek boyutlu kovaryant ayarlamaları kullanarak eğitimsel müdahale etkilerini değerlendirme

>Uygun Olmayan İş Tipleri

  • statsmodels'in 10 kat daha hızlı ve basit olduğu 2 değişkenli basit doğrusal regresyon
  • Milisaniyenin altında yüksek frekanslı teklif verme algoritmaları
Veri Yerleşimi ve İkameti

Yalnızca yerel bellekte çalışır. Sıfır harici ağ telemetrisi.

Güvenlik Değerlendirmesi

İzin verici BSD-3-Clause lisansı. Kurumsal kullanıma hazırdır.

Operasyonel Metrikler ve Bilinen Kısıtlar

Olgunluk:mature
Öğrenme Eğrisi:expert
Operasyon Yükü:moderate
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
  • Geniş kovaryant kümelerine sahip yüz binlerce örnek üzerinde Nedensel Orman eğitimi CPU üzerinde hesaplama açısından yoğundur.

İlişkili Üretim Arıza Paternleri (Incidentpedia)

Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:

thread-pool-exhaustion

> Birincil Kanıt ve Doğrulama Kaynakları

EconML Documentationofficial-docs • >=0.14.0, <=0.15.x
2026-09-25HIGH