S-Learner

• S 的由来 :-> 将干预变量 $T$ 和背景变量 $X$ 一起作为特征输入到单个模型 $M$ （Single，S 的由来）学习 $M(X,T) = E(Y|T,X)$

• 把用户是否干预作为特征加入到模型构建中

• 预测阶段如何得到反事实结果？ #card

  • 在预测时通过修改干预变量 $T$ 的值预测获得反事实结果，
  • 最终的 CATE 估计为 $\hat{\tau}(x)_i=M_s\left(X_i, T=1\right)-M_s\left(X_i, T=0\right)$

优点：#card

• 1）干预变量作为特征可以适用于多值干预。

• 2）干预 / 控制组样本共同训练单个模型的参数，有助于缓解干预组样本稀疏时的欠拟合问题,提高模型精度

• 可以直接使用现有分类算法

• 减少双模型误差累积

缺点：#card

• 干预变量作为输入特征可能会被淹没在其他众多特征中，如果干预变量与其他特征存在相关性时会更严重。间接计算增量，无法根据增量对模型进行优化

S-Learner 中缓解特征被忽视的方法 #card

• 构造更强的交叉特征，

• 直连模型输出层干预打分，

• 作为裁判特征输出权重