使用倾向评分的匹配型估计者是积极劳动力市场政策评估中的主要主力。这项工作研究了机器学习算法估计倾向得分是否能够使用半径匹配框架更可信地估计平均治疗效果。考虑到两种流行的方法，结果是模糊的:我们发现，在中小型高维数据集上，使用基于LASSO的logit模型来估计倾向得分比传统方法提供了更可信的结果。然而，使用随机森林来估计倾向分数可能会导致处理份额低的情况下性能的恶化。这一应用表明，培训方案对长期失业者的就业日产生了积极影响。虽然“第一阶段”的选择与观测数和处理数较少的设置高度相关，但在更大的样本和更高的处理份额中，机器学习和常规估计变得更相似。