该文章主要介绍倾向得分匹配（PSM,PropensityScoreMatching）方法的原理以及实现。这是一种理论稍微复杂、但实现较为容易的分析方法，适合非算法同学的使用。可用于（基于观察数据的）AB实验、增量模型搭建等领域。文章主要分为四部分：前置知识（因果推断）介绍、倾向得分计算与匹配与匹配质量检验、匹配示例与增量计算还有一些补充的小知识点。对因果推断有简单了解的同学可以跳过第一部分，直接从第二节开始阅读。前置知识介绍对因果推断概念‍有所了解或想直接学习PSM的同学可跳过这一节。▐  概念一：干预效果TreatmentEffect‍‍干预效果（TreatmentEffect）：干预下的潜

我想知道为什么许多网站选择使用随机id:s而不是在其数据库表上从1递增。我搜索了没有找到任何充分的理由，有吗？另外，哪种方法最好用？在插入数据之前检查id是否已经存在似乎效率很低(需要第二次查询)。感谢您的帮助! 最佳答案 在幕后，他们很可能使用数据库中的增量ID来识别行，但通过URL参数向最终用户公开的值通常被制成随机字符串，以构成可用对象的序列更难猜。这确实是一个通过默默无闻的安全问题。它阻碍了自动化脚本继续执行增量值并尝试通过URL进行攻击，并且阻碍了对站点内容的自动抓取。例如，如果youtube使用增量id而不是v=HSsd

我想知道为什么许多网站选择使用随机id:s而不是在其数据库表上从1递增。我搜索了没有找到任何充分的理由，有吗？另外，哪种方法最好用？在插入数据之前检查id是否已经存在似乎效率很低(需要第二次查询)。感谢您的帮助! 最佳答案 在幕后，他们很可能使用数据库中的增量ID来识别行，但通过URL参数向最终用户公开的值通常被制成随机字符串，以构成可用对象的序列更难猜。这确实是一个通过默默无闻的安全问题。它阻碍了自动化脚本继续执行增量值并尝试通过URL进行攻击，并且阻碍了对站点内容的自动抓取。例如，如果youtube使用增量id而不是v=HSsd

6月6日消息，苹果公司在周一的WWDC2023主题演讲中，除了发布了备受期待的MacPro和VisionPro等新产品外，还展示了其在机器学习领域的最新进展。不过IT之家注意到，与微软和谷歌等竞争对手大力宣传生成式人工智能不同，苹果公司在演讲中并没有提及“人工智能”这个词，而是更多地使用了“机器学习”和“ML”这样的术语。例如，在iOS17的演示中，软件工程高级副总裁CraigFederighi介绍了自动纠错和语音识别的改进：自动纠错是由设备上的机器学习驱动的，多年来，我们不断地提升这些模型。键盘现在利用了一种transformer语言模型，这是目前最先进的词预测技术，使得自动纠错比以往更加准

一、倾向得分匹配法说明倾向得分匹配模型是由Rosenbaum和Rubin在1983年提出的，首次运用在生物医药领域，后来被广泛运用在药物治疗、计量研究、政策实施评价等领域。倾向得分匹配模型主要用来解决非处理因素（干扰因素）的偏差。‍1、基本原理——反事实推断基本原理是：根据处理组的特征，找出与处理组特征尽可能类似的控制组进行匹配，从而消除非处理因素的干扰。例如：研究“是否读研”对于“收入”的帮助时，我们只能得到已经读研的处理组的收入情况，但是无法得到处理组的人没有读研的收入情况（反事实）。同时，是否读研和收入本身还受到其他非处理因素（干扰因素）的影响（比如学习成绩、家庭背景、学校差异等），此时

倾向得分匹配(PSM)，是一种模仿RCT随机对照试验随机化分组，提高组间均衡性，进而达到降低混杂因素影响目的一种数据处理策略。PSM在计量研究，临床医学等领域有着广泛的应用。1.案例背景与分析策略1.1案例背景介绍某企业想评价专项培训的效果，现收集到78位员工的个人及工作成绩信息，包括性别、年龄、教育年、初始工作成绩与当前工作成绩、工作经验、工作时间、职位类别、是否参加培训等数据。数据上传SPSSAU后，在“我的数据”中查看浏览原始数据，前5行数据如下：图1“我的数据”查看浏览数据集1.2明确目的与分析策略已经参加过培训的有17人，其余61人没有参加过培训。研究培训的效果，我们似乎可以直接比较