[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-grf-labs--grf":3,"tool-grf-labs--grf":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",151918,2,"2026-04-12T11:33:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":32,"env_os":104,"env_gpu":105,"env_ram":105,"env_deps":106,"category_tags":113,"github_topics":114,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":121,"updated_at":122,"faqs":123,"releases":152},6906,"grf-labs\u002Fgrf","grf","Generalized Random Forests ","grf 是一个基于 R 语言的开源统计包，专注于利用“广义随机森林”算法进行高精度的数据估算与推断。它核心解决了传统统计模型难以捕捉复杂数据中“异质性处理效应”的难题，即帮助研究者分析同一干预措施在不同个体或子群体中产生的差异化影响。此外，grf 还广泛支持最小二回归、分位数回归及生存分析，并能灵活处理缺失值、右删失数据及工具变量等复杂场景。\n\n该工具特别适合数据科学家、计量经济学家及社科领域的研究人员使用，尤其是那些需要严谨因果推断和不确定性量化（如计算置信区间）的专业用户。grf 的独特技术亮点在于其采用的“诚实估计”（honest estimation）机制：通过将数据分别用于树的结构构建和叶节点填充，有效避免了过拟合，从而提供更可靠的统计推断结果。作为对经典 ranger 包的深度扩展，grf 将强大的机器学习能力与严格的统计理论相结合，为用户在医疗、政策评估及商业分析等领域提供了探索数据深层因果关系的有力武器。","# generalized random forests \u003Ca href='https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002F'>\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_824757c5e30d.png' align=\"right\" height=\"120\" \u002F>\u003C\u002Fa>\n\n[![CRANstatus](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_90f1fec7679d.png)](https:\u002F\u002Fcran.r-project.org\u002Fpackage=grf)\n[![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_47bb42070b60.png)](https:\u002F\u002Fcran.r-project.org\u002Fpackage=grf)\n[![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_3323fe13e747.png)](https:\u002F\u002Fdev.azure.com\u002Fgrf-labs\u002Fgrf\u002F_build\u002Flatest?definitionId=2&branchName=master)\n\nA package for forest-based statistical estimation and inference. GRF provides non-parametric methods for heterogeneous treatment effects estimation (optionally using right-censored outcomes, multiple treatment arms or outcomes, or instrumental variables), as well as least-squares regression, quantile regression, and survival regression, all with support for missing covariates.\n\nIn addition, GRF supports 'honest' estimation (where one subset of the data is used for choosing splits, and another for populating the leaves of the tree), and confidence intervals for least-squares regression and treatment effect estimation.\n\nSome helpful links for getting started:\n\n- The [R package documentation](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002F) contains usage examples and method reference.\n- The [GRF reference](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002FREFERENCE.html) gives a detailed description of the GRF algorithm and includes troubleshooting suggestions.\n- For community questions and answers around usage, see [Github issues labelled 'question'](https:\u002F\u002Fgithub.com\u002Fgrf-labs\u002Fgrf\u002Fissues?q=label%3Aquestion).\n\nThe repository first started as a fork of the [ranger](https:\u002F\u002Fgithub.com\u002Fimbs-hl\u002Franger) repository -- we owe a great deal of thanks to the ranger authors for their useful and free package.\n\n### Installation\n\nThe latest release of the package can be installed through CRAN:\n\n```R\ninstall.packages(\"grf\")\n```\n\n`conda` users can install from the [conda-forge](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fr-grf) channel:\n\n```\nconda install -c conda-forge r-grf\n```\n\nThe current development version can be installed from source using devtools.\n\n```R\ndevtools::install_github(\"grf-labs\u002Fgrf\", subdir = \"r-package\u002Fgrf\")\n```\n\nNote that to install from source, a compiler that implements C++17 or later is required. If installing on Windows, the RTools toolchain is also required.\n\n### Usage Examples\n\nThe following script demonstrates how to use GRF for heterogeneous treatment effect estimation. For examples\nof how to use other types of forests, please consult the R [documentation](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002Freference\u002Findex.html) on the relevant methods.\n\n```R\nlibrary(grf)\n\n# Generate data.\nn \u003C- 2000\np \u003C- 10\nX \u003C- matrix(rnorm(n * p), n, p)\nX.test \u003C- matrix(0, 101, p)\nX.test[, 1] \u003C- seq(-2, 2, length.out = 101)\n\n# Train a causal forest.\nW \u003C- rbinom(n, 1, 0.4 + 0.2 * (X[, 1] > 0))\nY \u003C- pmax(X[, 1], 0) * W + X[, 2] + pmin(X[, 3], 0) + rnorm(n)\ntau.forest \u003C- causal_forest(X, Y, W)\n\n# Estimate treatment effects for the training data using out-of-bag prediction.\ntau.hat.oob \u003C- predict(tau.forest)\nhist(tau.hat.oob$predictions)\n\n# Estimate treatment effects for the test sample.\ntau.hat \u003C- predict(tau.forest, X.test)\nplot(X.test[, 1], tau.hat$predictions, ylim = range(tau.hat$predictions, 0, 2), xlab = \"x\", ylab = \"tau\", type = \"l\")\nlines(X.test[, 1], pmax(0, X.test[, 1]), col = 2, lty = 2)\n\n# Estimate the conditional average treatment effect on the full sample (CATE).\naverage_treatment_effect(tau.forest, target.sample = \"all\")\n\n# Estimate the conditional average treatment effect on the treated sample (CATT).\naverage_treatment_effect(tau.forest, target.sample = \"treated\")\n\n# Add confidence intervals for heterogeneous treatment effects; growing more trees is now recommended.\ntau.forest \u003C- causal_forest(X, Y, W, num.trees = 4000)\ntau.hat \u003C- predict(tau.forest, X.test, estimate.variance = TRUE)\nsigma.hat \u003C- sqrt(tau.hat$variance.estimates)\nplot(X.test[, 1], tau.hat$predictions, ylim = range(tau.hat$predictions + 1.96 * sigma.hat, tau.hat$predictions - 1.96 * sigma.hat, 0, 2), xlab = \"x\", ylab = \"tau\", type = \"l\")\nlines(X.test[, 1], tau.hat$predictions + 1.96 * sigma.hat, col = 1, lty = 2)\nlines(X.test[, 1], tau.hat$predictions - 1.96 * sigma.hat, col = 1, lty = 2)\nlines(X.test[, 1], pmax(0, X.test[, 1]), col = 2, lty = 1)\n\n# In some examples, pre-fitting models for Y and W separately may\n# be helpful (e.g., if different models use different covariates).\n# In some applications, one may even want to get Y.hat and W.hat\n# using a completely different method (e.g., boosting).\n\n# Generate new data.\nn \u003C- 4000\np \u003C- 20\nX \u003C- matrix(rnorm(n * p), n, p)\nTAU \u003C- 1 \u002F (1 + exp(-X[, 3]))\nW \u003C- rbinom(n, 1, 1 \u002F (1 + exp(-X[, 1] - X[, 2])))\nY \u003C- pmax(X[, 2] + X[, 3], 0) + rowMeans(X[, 4:6]) \u002F 2 + W * TAU + rnorm(n)\n\nforest.W \u003C- regression_forest(X, W, tune.parameters = \"all\")\nW.hat \u003C- predict(forest.W)$predictions\n\nforest.Y \u003C- regression_forest(X, Y, tune.parameters = \"all\")\nY.hat \u003C- predict(forest.Y)$predictions\n\nforest.Y.varimp \u003C- variable_importance(forest.Y)\n\n# Note: Forests may have a hard time when trained on very few variables\n# (e.g., ncol(X) = 1, 2, or 3). We recommend not being too aggressive\n# in selection.\nselected.vars \u003C- which(forest.Y.varimp \u002F mean(forest.Y.varimp) > 0.2)\n\ntau.forest \u003C- causal_forest(X[, selected.vars], Y, W,\n                            W.hat = W.hat, Y.hat = Y.hat,\n                            tune.parameters = \"all\")\n\n# See if a causal forest succeeded in capturing heterogeneity by plotting\n# the TOC and calculating a 95% CI for the AUTOC.\ntrain \u003C- sample(1:n, n \u002F 2)\ntrain.forest \u003C- causal_forest(X[train, ], Y[train], W[train])\neval.forest \u003C- causal_forest(X[-train, ], Y[-train], W[-train])\nrate \u003C- rank_average_treatment_effect(eval.forest,\n                                      predict(train.forest, X[-train, ])$predictions)\nplot(rate)\npaste(\"AUTOC:\", round(rate$estimate, 2), \"+\u002F\", round(1.96 * rate$std.err, 2))\n```\n\n### Developing\n\nIn addition to providing out-of-the-box forests for quantile regression and causal effect estimation, GRF provides a framework for creating forests tailored to new statistical tasks. If you'd like to develop using GRF, please consult the [algorithm reference](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002FREFERENCE.html) and [development guide](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002FDEVELOPING.html).\n\n### Funding\n\nDevelopment of GRF is supported by the National Institutes of Health, the National Science Foundation, the Sloan Foundation, the Office of Naval Research (Grant N00014-17-1-2131) and Schmidt Futures.\n\n### References\n\nSusan Athey and Stefan Wager.\n\u003Cb>Estimating Treatment Effects with Causal Forests: An Application.\u003C\u002Fb>\n\u003Ci>Observational Studies\u003C\u002Fi>, 5, 2019.\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1353\u002Fobs.2019.0001\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1902.07409\">arxiv\u003C\u002Fa>]\n\nSusan Athey, Julie Tibshirani and Stefan Wager.\n\u003Cb>Generalized Random Forests.\u003C\u002Fb> \u003Ci>Annals of Statistics\u003C\u002Fi>, 47(2), 2019.\n[\u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Feuclid.aos\u002F1547197251\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1610.01271\">arxiv\u003C\u002Fa>]\n\nYifan Cui, Michael R. Kosorok, Erik Sverdrup, Stefan Wager, and Ruoqing Zhu.\n\u003Cb>Estimating Heterogeneous Treatment Effects with Right-Censored Data via Causal Survival Forests.\u003C\u002Fb>\n\u003Ci>Journal of the Royal Statistical Society: Series B\u003C\u002Fi>, 85(2), 2023.\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1093\u002Fjrsssb\u002Fqkac001\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.09887\">arxiv\u003C\u002Fa>]\n\nRina Friedberg, Julie Tibshirani, Susan Athey, and Stefan Wager.\n\u003Cb>Local Linear Forests.\u003C\u002Fb> \u003Ci>Journal of Computational and Graphical Statistics\u003C\u002Fi>, 30(2), 2020.\n[\u003Ca href=\"https:\u002F\u002Fwww.tandfonline.com\u002Fdoi\u002Fabs\u002F10.1080\u002F10618600.2020.1831930\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.11408\">arxiv\u003C\u002Fa>]\n\nImke Mayer, Erik Sverdrup, Tobias Gauss, Jean-Denis Moyer, Stefan Wager and Julie Josse.\n\u003Cb>Doubly Robust Treatment Effect Estimation with Missing Attributes.\u003C\u002Fb>\n\u003Ci>Annals of Applied Statistics\u003C\u002Fi>, 14(3), 2020.\n[\u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Feuclid.aoas\u002F1600454872\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F1910.10624.pdf\">arxiv\u003C\u002Fa>]\n\nErik Sverdrup, Maria Petukhova, and Stefan Wager.\n\u003Cb>Estimating Treatment Effect Heterogeneity in Psychiatry: A Review and Tutorial with Causal Forests.\u003C\u002Fb>\n\u003Ci>International Journal of Methods in Psychiatric Research\u003C\u002Fi>, 34(2), 2025.\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1002\u002Fmpr.70015\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.01578\">arxiv\u003C\u002Fa>]\n\nErik Sverdrup, James Yang, and Michael LeBlanc.\n\u003Cb>Efficient Log-Rank Updates for Random Survival Forests.\u003C\u002Fb> 2025.\n[\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2510.03665\">arxiv\u003C\u002Fa>]\n\nStefan Wager.\n\u003Cb>Causal Inference: A Statistical Learning Approach.\u003C\u002Fb> 2024.\n[\u003Ca href=\"https:\u002F\u002Fweb.stanford.edu\u002F~swager\u002Fcausal_inf_book.pdf\">pdf\u003C\u002Fa>]\n\nStefan Wager and Susan Athey.\n\u003Cb>Estimation and Inference of Heterogeneous Treatment Effects using Random Forests.\u003C\u002Fb>\n\u003Ci>Journal of the American Statistical Association\u003C\u002Fi>, 113(523), 2018.\n[\u003Ca href=\"https:\u002F\u002Fwww.tandfonline.com\u002Feprint\u002Fv7p66PsDhHCYiPafTJwC\u002Ffull\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1510.04342\">arxiv\u003C\u002Fa>]\n\nSteve Yadlowsky, Scott Fleming, Nigam Shah, Emma Brunskill, and Stefan Wager.\n\u003Cb>Evaluating Treatment Prioritization Rules via Rank-Weighted Average Treatment Effects.\u003C\u002Fb>\n\u003Ci>Journal of the American Statistical Association\u003C\u002Fi>, 120(549), 2025.\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1080\u002F01621459.2024.2393466\">paper\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.07966\">arxiv\u003C\u002Fa>]\n","# 广义随机森林 \u003Ca href='https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002F'>\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_824757c5e30d.png' align=\"right\" height=\"120\" \u002F>\u003C\u002Fa>\n\n[![CRANstatus](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_90f1fec7679d.png)](https:\u002F\u002Fcran.r-project.org\u002Fpackage=grf)\n[![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_47bb42070b60.png)](https:\u002F\u002Fcran.r-project.org\u002Fpackage=grf)\n[![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_readme_3323fe13e747.png)](https:\u002F\u002Fdev.azure.com\u002Fgrf-labs\u002Fgrf\u002F_build\u002Flatest?definitionId=2&branchName=master)\n\n这是一个用于基于森林的统计估计与推断的R包。GRF提供了非参数方法来估计异质性处理效应（可选地使用右删失结果、多处理组或多个结果，或工具变量），以及最小二乘回归、分位数回归和生存回归，并且都支持缺失协变量。\n\n此外，GRF还支持“诚实”估计（即使用数据的一个子集来选择分裂点，而另一个子集用来填充树的叶子），并为最小二乘回归和处理效应估计提供置信区间。\n\n一些有用的入门链接：\n\n- [R包文档](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002F)包含使用示例和方法参考。\n- [GRF参考文档](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002FREFERENCE.html)详细描述了GRF算法，并提供了故障排除建议。\n- 如有使用方面的社区问题与解答，请参阅[Github上标记为‘question’的问题](https:\u002F\u002Fgithub.com\u002Fgrf-labs\u002Fgrf\u002Fissues?q=label%3Aquestion)。\n\n该仓库最初是从[ranger](https:\u002F\u002Fgithub.com\u002Fimbs-hl\u002Franger)仓库分叉出来的——我们非常感谢ranger作者们提供的实用且免费的软件包。\n\n### 安装\n\n可以通过CRAN安装最新版本的包：\n\n```R\ninstall.packages(\"grf\")\n```\n\n`conda`用户可以从[conda-forge](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fr-grf)频道安装：\n\n```\nconda install -c conda-forge r-grf\n```\n\n当前开发版本可以使用devtools从源代码安装。\n\n```R\ndevtools::install_github(\"grf-labs\u002Fgrf\", subdir = \"r-package\u002Fgrf\")\n```\n\n请注意，从源代码安装需要一个支持C++17或更高版本的编译器。如果在Windows上安装，还需要RTools工具链。\n\n### 使用示例\n\n以下脚本演示了如何使用GRF进行异质性处理效应的估计。有关如何使用其他类型森林的示例，请参阅R包的[文档](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002Freference\u002Findex.html)，其中包含了相关方法的说明。\n\n```R\nlibrary(grf)\n\n# 生成数据。\nn \u003C- 2000\np \u003C- 10\nX \u003C- matrix(rnorm(n * p), n, p)\nX.test \u003C- matrix(0, 101, p)\nX.test[, 1] \u003C- seq(-2, 2, length.out = 101)\n\n# 训练因果森林。\nW \u003C- rbinom(n, 1, 0.4 + 0.2 * (X[, 1] > 0))\nY \u003C- pmax(X[, 1], 0) * W + X[, 2] + pmin(X[, 3], 0) + rnorm(n)\ntau.forest \u003C- causal_forest(X, Y, W)\n\n# 使用袋外预测估计训练数据的处理效应。\ntau.hat.oob \u003C- predict(tau.forest)\nhist(tau.hat.oob$predictions)\n\n# 估计测试样本的处理效应。\ntau.hat \u003C- predict(tau.forest, X.test)\nplot(X.test[, 1], tau.hat$predictions, ylim = range(tau.hat$predictions, 0, 2), xlab = \"x\", ylab = \"tau\", type = \"l\")\nlines(X.test[, 1], pmax(0, X.test[, 1]), col = 2, lty = 2)\n\n# 估计全样本上的条件平均处理效应（CATE）。\naverage_treatment_effect(tau.forest, target.sample = \"all\")\n\n# 估计治疗组上的条件平均处理效应（CATT）。\naverage_treatment_effect(tau.forest, target.sample = \"treated\")\n\n# 为异质性处理效应添加置信区间；现在建议增加树的数量。\ntau.forest \u003C- causal_forest(X, Y, W, num.trees = 4000)\ntau.hat \u003C- predict(tau.forest, X.test, estimate.variance = TRUE)\nsigma.hat \u003C- sqrt(tau.hat$variance.estimates)\nplot(X.test[, 1], tau.hat$predictions, ylim = range(tau.hat$predictions + 1.96 * sigma.hat, tau.hat$predictions - 1.96 * sigma.hat, 0, 2), xlab = \"x\", ylab = \"tau\", type = \"l\")\nlines(X.test[, 1], tau.hat$predictions + 1.96 * sigma.hat, col = 1, lty = 2)\nlines(X.test[, 1], tau.hat$predictions - 1.96 * sigma.hat, col = 1, lty = 2)\nlines(X.test[, 1], pmax(0, X.test[, 1]), col = 2, lty = 1)\n\n# 在某些情况下，分别对Y和W进行预拟合模型可能会有所帮助（例如，不同模型使用不同的协变量）。\n# 在某些应用中，甚至可能希望使用完全不同的方法（如提升法）来获得Y.hat和W.hat。\n\n# 生成新数据。\nn \u003C- 4000\np \u003C- 20\nX \u003C- matrix(rnorm(n * p), n, p)\nTAU \u003C- 1 \u002F (1 + exp(-X[, 3]))\nW \u003C- rbinom(n, 1, 1 \u002F (1 + exp(-X[, 1] - X[, 2])))\nY \u003C- pmax(X[, 2] + X[, 3], 0) + rowMeans(X[, 4:6]) \u002F 2 + W * TAU + rnorm(n)\n\nforest.W \u003C- regression_forest(X, W, tune.parameters = \"all\")\nW.hat \u003C- predict(forest.W)$predictions\n\nforest.Y \u003C- regression_forest(X, Y, tune.parameters = \"all\")\nY.hat \u003C- predict(forest.Y)$predictions\n\nforest.Y.varimp \u003C- variable_importance(forest.Y)\n\n# 注意：当训练数据的变量非常少时（例如，ncol(X) = 1、2或3），森林可能难以有效工作。我们建议不要过于激进地进行变量选择。\nselected.vars \u003C- which(forest.Y.varimp \u002F mean(forest.Y.varimp) > 0.2)\n\ntau.forest \u003C- causal_forest(X[, selected.vars], Y, W,\n                            W.hat = W.hat, Y.hat = Y.hat,\n                            tune.parameters = \"all\")\n\n# 通过绘制TOC曲线并计算AUTOC的95%置信区间，查看因果森林是否成功捕捉到了异质性。\ntrain \u003C- sample(1:n, n \u002F 2)\ntrain.forest \u003C- causal_forest(X[train, ], Y[train], W[train])\neval.forest \u003C- causal_forest(X[-train, ], Y[-train], W[-train])\nrate \u003C- rank_average_treatment_effect(eval.forest,\n                                      predict(train.forest, X[-train, ])$predictions)\nplot(rate)\npaste(\"AUTOC:\", round(rate$estimate, 2), \"+\u002F\", round(1.96 * rate$std.err, 2))\n```\n\n### 开发\n\n除了提供开箱即用的分位数回归森林和因果效应估计森林外，GRF还提供了一个框架，用于创建针对新的统计任务定制的森林。如果您想使用GRF进行开发，请参阅[算法参考](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002FREFERENCE.html)和[开发指南](https:\u002F\u002Fgrf-labs.github.io\u002Fgrf\u002FDEVELOPING.html)。\n\n### 资助\n\nGRF的开发得到了美国国立卫生研究院、美国国家科学基金会、斯隆基金会、美国海军研究办公室（Grant N00014-17-1-2131）以及Schmidt Futures的支持。\n\n### 参考文献\n\n苏珊·阿西和斯特凡·瓦格\n\u003Cb>利用因果森林估计治疗效应：一项应用\u003C\u002Fb>\n\u003Ci>观察性研究\u003C\u002Fi>, 第5期, 2019年。\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1353\u002Fobs.2019.0001\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1902.07409\">arXiv\u003C\u002Fa>]\n\n苏珊·阿西、朱莉·蒂布希拉尼和斯特凡·瓦格\n\u003Cb>广义随机森林\u003C\u002Fb> \u003Ci>统计学年鉴\u003C\u002Fi>, 第47卷第2期, 2019年。\n[\u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Feuclid.aos\u002F1547197251\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1610.01271\">arXiv\u003C\u002Fa>]\n\n崔一帆、迈克尔·R·科索罗克、埃里克·斯韦德鲁普、斯特凡·瓦格和朱若清\n\u003Cb>通过因果生存森林利用右删失数据估计异质性治疗效应\u003C\u002Fb>\n\u003Ci>皇家统计学会期刊：B辑\u003C\u002Fi>, 第85卷第2期, 2023年。\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1093\u002Fjrsssb\u002Fqkac001\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.09887\">arXiv\u003C\u002Fa>]\n\n丽娜·弗里德伯格、朱莉·蒂布希拉尼、苏珊·阿西和斯特凡·瓦格\n\u003Cb>局部线性森林\u003C\u002Fb> \u003Ci>计算与图形统计期刊\u003C\u002Fi>, 第30卷第2期, 2020年。\n[\u003Ca href=\"https:\u002F\u002Fwww.tandfonline.com\u002Fdoi\u002Fabs\u002F10.1080\u002F10618600.2020.1831930\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.11408\">arXiv\u003C\u002Fa>]\n\n伊姆克·迈耶、埃里克·斯韦德鲁普、托比亚斯·高斯、让-丹尼斯·莫耶、斯特凡·瓦格和朱莉·若塞\n\u003Cb>在属性缺失情况下的双重稳健治疗效应估计\u003C\u002Fb>\n\u003Ci>应用统计年鉴\u003C\u002Fi>, 第14卷第3期, 2020年。\n[\u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Feuclid.aoas\u002F1600454872\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F1910.10624.pdf\">arXiv\u003C\u002Fa>]\n\n埃里克·斯韦德鲁普、玛丽亚·彼图霍娃和斯特凡·瓦格\n\u003Cb>精神医学中治疗效应异质性的估计：基于因果森林的综述与教程\u003C\u002Fb>\n\u003Ci>国际精神病学研究方法杂志\u003C\u002Fi>, 第34卷第2期, 2025年。\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1002\u002Fmpr.70015\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.01578\">arXiv\u003C\u002Fa>]\n\n埃里克·斯韦德鲁普、詹姆斯·杨和迈克尔·勒布朗\n\u003Cb>随机生存森林中的高效对数秩更新\u003C\u002Fb> 2025年。\n[\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2510.03665\">arXiv\u003C\u002Fa>]\n\n斯特凡·瓦格\n\u003Cb>因果推断：一种统计学习方法\u003C\u002Fb> 2024年。\n[\u003Ca href=\"https:\u002F\u002Fweb.stanford.edu\u002F~swager\u002Fcausal_inf_book.pdf\">PDF\u003C\u002Fa>]\n\n斯特凡·瓦格和苏珊·阿西\n\u003Cb>利用随机森林估计和推断异质性治疗效应\u003C\u002Fb>\n\u003Ci>美国统计协会期刊\u003C\u002Fi>, 第113卷第523期, 2018年。\n[\u003Ca href=\"https:\u002F\u002Fwww.tandfonline.com\u002Feprint\u002Fv7p66PsDhHCYiPafTJwC\u002Ffull\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1510.04342\">arXiv\u003C\u002Fa>]\n\n史蒂夫·亚德洛夫斯基、斯科特·弗莱明、尼甘·沙赫、艾玛·布伦斯基尔和斯特凡·瓦格\n\u003Cb>通过排名加权平均治疗效应评估治疗优先级规则\u003C\u002Fb>\n\u003Ci>美国统计协会期刊\u003C\u002Fi>, 第120卷第549期, 2025年。\n[\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1080\u002F01621459.2024.2393466\">论文\u003C\u002Fa>,\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.07966\">arXiv\u003C\u002Fa>]","# grf 快速上手指南\n\n`grf` (Generalized Random Forests) 是一个基于 R 语言的统计推断包，主要用于非参数化的异质性处理效应估计（因果森林），同时也支持最小二乘回归、分位数回归和生存回归。它支持缺失协变量处理，并提供“诚实”估计（Honest Estimation）及置信区间计算功能。\n\n## 环境准备\n\n*   **操作系统**：Windows, macOS, Linux\n*   **核心依赖**：\n    *   **R** (建议版本 3.6 或更高)\n    *   **C++ 编译器**：安装源码时需要支持 **C++17** 或更高版本的编译器。\n        *   **Windows 用户**：必须安装 **RTools** (对应您的 R 版本)。\n        *   **macOS 用户**：需安装 Xcode Command Line Tools (`xcode-select --install`)。\n        *   **Linux 用户**：需安装 `build-essential` 或 `gcc-c++` 等开发工具包。\n*   **可选依赖**：若使用 `devtools` 安装开发版，需先安装 `devtools` 包。\n\n## 安装步骤\n\n### 方法一：通过 CRAN 安装（推荐，最稳定）\n这是获取最新发布版本的最快方式。国内用户若遇到连接超时，可临时切换至清华或中科大镜像源。\n\n```R\n# (可选) 设置国内镜像源，加速下载\noptions(repos = c(CRAN = \"https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002FCRAN\"))\n\n# 安装 grf\ninstall.packages(\"grf\")\n```\n\n### 方法二：通过 Conda 安装\n如果您使用 Conda 管理环境：\n\n```bash\nconda install -c conda-forge r-grf\n```\n\n### 方法三：安装开发版本（源码编译）\n仅当您需要最新的功能修复且熟悉编译环境时使用。\n\n```R\n# 确保已安装 devtools\nif (!require(\"devtools\")) install.packages(\"devtools\")\n\n# 从 GitHub 安装\ndevtools::install_github(\"grf-labs\u002Fgrf\", subdir = \"r-package\u002Fgrf\")\n```\n\n## 基本使用\n\n以下示例演示如何使用 `grf` 构建**因果森林 (Causal Forest)** 来估计异质性处理效应。\n\n### 1. 生成模拟数据与训练模型\n\n```R\nlibrary(grf)\n\n# 生成模拟数据\nn \u003C- 2000\np \u003C- 10\nX \u003C- matrix(rnorm(n * p), n, p)\n\n# 处理变量 W (倾向得分依赖于 X[,1])\nW \u003C- rbinom(n, 1, 0.4 + 0.2 * (X[, 1] > 0))\n\n# 结果变量 Y (存在异质性处理效应)\nY \u003C- pmax(X[, 1], 0) * W + X[, 2] + pmin(X[, 3], 0) + rnorm(n)\n\n# 训练因果森林\n# 默认会自动进行超参数调优和使用诚实估计\ntau.forest \u003C- causal_forest(X, Y, W)\n```\n\n### 2. 预测处理效应\n\n使用袋外预测 (Out-of-Bag) 评估训练集效果，或对新的测试数据进行预测。\n\n```R\n# 获取训练数据的袋外预测结果\ntau.hat.oob \u003C- predict(tau.forest)\nhist(tau.hat.oob$predictions, main = \"OOB Treatment Effects Distribution\")\n\n# 构造测试数据进行预测\nX.test \u003C- matrix(0, 101, p)\nX.test[, 1] \u003C- seq(-2, 2, length.out = 101)\n\n# 预测测试集的处理效应\ntau.hat \u003C- predict(tau.forest, X.test)\n\n# 可视化结果\nplot(X.test[, 1], tau.hat$predictions, type = \"l\", \n     xlab = \"X1\", ylab = \"Estimated Tau\", ylim = c(0, 2))\nlines(X.test[, 1], pmax(0, X.test[, 1]), col = \"red\", lty = 2) # 真实效应曲线\nlegend(\"topleft\", legend = c(\"GRF Estimate\", \"True Effect\"), \n       col = c(\"black\", \"red\"), lty = c(1, 2))\n```\n\n### 3. 估计平均处理效应与置信区间\n\n计算整体样本或特定子样本的平均处理效应，并添加置信区间。\n\n```R\n# 估计全样本的条件平均处理效应 (CATE)\naverage_treatment_effect(tau.forest, target.sample = \"all\")\n\n# 估计受治组的条件平均处理效应 (CATT)\naverage_treatment_effect(tau.forest, target.sample = \"treated\")\n\n# --- 带置信区间的预测 ---\n# 为了获得更准确的方差估计，建议增加树的数量 (例如 4000)\ntau.forest.ci \u003C- causal_forest(X, Y, W, num.trees = 4000)\n\n# 预测时开启方差估计\ntau.hat.ci \u003C- predict(tau.forest.ci, X.test, estimate.variance = TRUE)\n\n# 计算标准误\nsigma.hat \u003C- sqrt(tau.hat.ci$variance.estimates)\n\n# 绘制 95% 置信区间\nplot(X.test[, 1], tau.hat.ci$predictions, type = \"l\", ylim = range(tau.hat.ci$predictions + 1.96 * sigma.hat, tau.hat.ci$predictions - 1.96 * sigma.hat))\nlines(X.test[, 1], tau.hat.ci$predictions + 1.96 * sigma.hat, lty = 2)\nlines(X.test[, 1], tau.hat.ci$predictions - 1.96 * sigma.hat, lty = 2)\n```","某医药公司的数据科学团队正在评估一款新药在不同患者群体中的疗效差异，试图找出哪些特征的患者能从治疗中获得最大收益。\n\n### 没有 grf 时\n- 只能计算整体的平均治疗效应，掩盖了药物对特定亚群（如高龄或特定基因型患者）的异质性影响，导致“一刀切”的结论。\n- 若手动划分人群进行子组分析，不仅工作量大，还容易因多次假设检验产生统计偏差，且无法处理复杂的非线性特征交互。\n- 缺乏严谨的置信区间估计，难以向监管机构证明疗效差异的统计显著性，决策风险高。\n- 面对临床数据中常见的缺失值和删失数据（如患者中途退出），传统回归模型往往需要大量预处理或直接丢弃样本，造成信息浪费。\n\n### 使用 grf 后\n- 利用因果森林算法自动捕捉高维特征下的异质性治疗效应，精准定位出对药物反应最强烈的患者亚群。\n- 通过“诚实估计”（honest estimation）机制，将数据分为分裂集和叶节点填充集，有效避免了过拟合，确保发现的规律具有泛化能力。\n- 直接输出带有置信区间的效应估计值，为差异化用药策略提供了坚实的统计学依据，轻松应对合规审查。\n- 原生支持缺失协变量和右删失结果数据，无需繁琐的插补操作即可充分利用宝贵的临床试验样本。\n\ngrf 将模糊的平均疗效转化为精准的个性化医疗洞察，让数据真正驱动差异化治疗决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgrf-labs_grf_824757c5.png","grf-labs","GRF Labs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgrf-labs_9f4b2184.png","Building flexible tools for causal inference",null,"https:\u002F\u002Fgrf-labs.github.io\u002Fgrf","https:\u002F\u002Fgithub.com\u002Fgrf-labs",[80,84,88,92,96],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",65.5,{"name":85,"color":86,"percentage":87},"R","#198CE7",34.1,{"name":89,"color":90,"percentage":91},"TeX","#3D6117",0.3,{"name":93,"color":94,"percentage":95},"CMake","#DA3434",0.1,{"name":97,"color":98,"percentage":99},"JavaScript","#f1e05a",0,1081,275,"2026-04-07T19:32:03","GPL-3.0","Linux, macOS, Windows","未说明",{"notes":107,"python":108,"dependencies":109},"该工具是 R 语言包而非 Python 库。支持通过 CRAN 或 conda-forge (r-grf) 安装。若从源代码安装，需要支持 C++17 或更高版本的编译器；在 Windows 系统上还需安装 RTools 工具链。","不适用 (基于 R 语言)",[110,111,112],"R (基础环境)","devtools (仅源码安装需要)","RTools (仅 Windows 源码安装需要)",[14],[115,116,117,118,119,120],"causal-inference","random-forest","econometrics","machine-learning","statistics","causal-forest","2026-03-27T02:49:30.150509","2026-04-13T00:23:11.930175",[124,129,134,138,142,147],{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},31116,"Causal Forest 是否支持二分类结果变量？如果是，估计的是什么尺度？","是的，Causal Forest 对连续型和二分类结果变量的处理方式相同。如果结果是二分类的，条件平均处理效应（CATE）是在“概率差异”（difference in probabilities）尺度上进行估计的。","https:\u002F\u002Fgithub.com\u002Fgrf-labs\u002Fgrf\u002Fissues\u002F238",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},31117,"当数据极度不平衡（例如处理组样本极少）导致 average_treatment_effect 返回 NaN 时，应该如何处理？","这通常是由于重叠性（overlap）较差导致的。建议首先绘制估计的依从性分数（compliance scores）或倾向得分的直方图，检查是否存在某些区域得分远离 0 或 1。如果有，可以使用 average_treatment_effect 函数中的 subset 参数，仅在这些重叠性较好的区域子集上计算平均处理效应。参考论文：Crump et al. (2009) \"Dealing with limited overlap in estimation of average treatment effects\"。","https:\u002F\u002Fgithub.com\u002Fgrf-labs\u002Fgrf\u002Fissues\u002F406",{"id":135,"question_zh":136,"answer_zh":137,"source_url":133},31118,"在使用 IV Forest（工具变量森林）时，为什么不能将 target.sample 设置为 \"treated\"？","对于除 causal_forest 以外的森林类型（如 IV Forest），目前仅实现了 method=\"AIPW\" 且 target.sample=\"all\" 的组合。尝试使用 target.sample=\"treated\" 会报错。这是当前的实现限制，用户只能估计全样本的平均局部平均处理效应（ACLATE）。",{"id":139,"question_zh":140,"answer_zh":141,"source_url":128},31119,"如何在因果森林中识别处理效应随哪些协变量变化（即寻找调节变量）？","虽然 predict 函数主要用于预测，但因果森林的分裂机制本身就是为了在导致处理效应变化的变量（调节变量）上进行分裂。要具体查看树木倾向于在哪些变量上分裂，可以分析森林的结构或使用变量重要性度量。对于二分类结果，模型会自动在概率差异变化最大的地方进行分裂，从而揭示如性别、种族等变量的调节作用。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},31120,"在小数据集上使用诚实森林（honest forests）时性能不佳怎么办？","当启用诚实性（honesty）时，训练子样本会被进一步一分为二用于分裂，这在小数据集上可能导致信息不足，无法确定高质量的分裂点。该问题已在后续的 PR（#297, #456, #484, #496）中得到解决，建议升级到包含这些修复的最新版本以获得更好的小样本表现。","https:\u002F\u002Fgithub.com\u002Fgrf-labs\u002Fgrf\u002Fissues\u002F273",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},31121,"使用连续型处理变量运行因果森林时遇到内存错误导致 R 崩溃，如何解决？","这通常与特定环境配置或数据规模有关，而非普遍的代码缺陷。如果在高配环境（如 32 CPU, 12GB RAM）下仍崩溃，建议检查是否有其他进程占用内存，或尝试减少树的数量（num.trees）。维护者测试表明在标准环境下代码可正常运行，若忽略警告后仍能输出结果（如 best_tree_info$best_tree），则可能只是内存分配时的临时波动，可尝试重启会话或调整系统内存限制。","https:\u002F\u002Fgithub.com\u002Fgrf-labs\u002Fgrf\u002Fissues\u002F558",[]]