在機器學習領域，特徵工程是提升模型效能的關鍵步驟。它涉及選擇、建立和轉換輸入變數，以構建最能代表底層問題結構的特徵集。然而，在許多實際應用中，僅僅依靠統計相關性進行特徵選擇可能導致誤導性的結果，特別是在我們需要理解因果關係的場景中。
因果推斷方法為特徵工程提供了一個更深層次的框架，使我們能夠區分真正的因果關係和簡單的統計相關性。這種方法在需要理解干預效果的領域尤為重要，如經濟學、醫學和市場營銷。
營銷組合建模（Marketing Mix Modeling, MMM）是應用因果推斷進行特徵工程的一個典型案例。MMM旨在回答一個核心的因果問題："每個營銷渠道的X美元投資將如何影響銷售額？"這個問題的準確答案對最佳化營銷預算分配至關重要，但它也凸顯了因果推斷在實際商業問題中的複雜性。
本文將以MMM為例，深入探討如何將因果推斷原理應用於特徵工程，以提高機器學習模型的準確性和可解釋性。我們將證明，在模型中包含或排除某些變數可能導致因果估計的偏差，進而影響基於資料的決策質量。
https://avoid.overfit.cn/post/31ab4dd8c81d446f9b34cd04c6733608