В работе рассматриваются методы оценивания индивидуального эффекта воздействия и результат работы алгоритмов в случае функций отклика разного вида. В ходе исследования решались следующие задачи: - Изучение, обзор и сравнение методов, используемых для оценивания индивидуального эффекта воздействия. - Разработка программного модуля для оценивания индивидуального эффекта воздействия на языке программирования Python на базе существующих методов машинного обучения - Реализация модификации метода на основе линеаризации в локальной области и оценка результатов в сравнении с оригинальными методами - Описание модели синтетических данных и проведение экспериментов с разными конфигурациями функций отклика Так как существует проблема анализа качества работы алгоритмов на реальных данных, эксперименты были проведены на синтетических данных, сгенерированных по правилам в ранних исследованиях. В результате работы был написан программный модуль (класс) на языке Python с семантикой, присущей распространенным библиотекам с реализациями методов машинного обучения. Модуль составляют реализации, использованные в экспериментах выпускной квалификационной работы. В заключении представлены выводы и сравнение модификации с исходными методами, объяснение полученных результатов –– как положительных, так и отрицательных.

The study considers individual treatment effect estimators and their performance depending on the type of response function. The problems covered during the research are: - Researching, reviewing and comparing individual treatment effect estimators and practices under consideration - Development of the programming module for individual treatment effect estimation based on existing machine learning methods using Python programming language - Implementation of algorithm modification based on local linearization and performance evaluation compared to the original methods - Description of the synthetic data model and conducting experiments with different types of response functions Owing to the difficulties in algorithms performance analysis on real data, we conduct experiments on synthetic data generated as described in earlier studies. The overall result of the work is a Python programming module (class) which is semantically close to common machine learning libraries implementing existing estimators. The class contains implementations used in the experiments section. Finally, we present the conclusion and compare the estimators, explain experimental results –– in terms of both successes and failures.

• Разработка метода оценивания и программного обеспечения оценивания индивидуального эффекта воздействия методами машинного обучения
  • Введение
  • 1. Теоретические и методологические основы оценивания эффекта воздействия
  • 2. Используемые методы и их модификации
  • 3. Моделирование экспериментальных данных и сравнительный анализ результатов
  • Заключение
  • Список сокращений и условных обозначений
  • Список использованных источников