Откриване и причинен ML
8 метода в това семейство.
Избрани
Алгоритми за причинно-следствено откриване (PC, FCI, LiNGAM)Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-baseАлгоритъм FCIThe Fast Causal Inference (FCI) algorithm is a constraint-based causal discovery method introduced by Spirtes, Glymour, and Scheines in their landmark 2000 book Causation, PredictiАлгоритъм GESGreedy Equivalence Search (GES) is a score-based algorithm for learning the causal structure of a set of variables from observational data. Introduced by David Maxwell Chickering iМашинно обучение, подпомагащо оценката на контрафактуалното въздействиеMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaРазширен с машинно обучение нечетлив дизайн на прекъсване на регресиятаML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherМашинно-обучен Модел на Маргинална Структура (ML-MSM)The machine learning-augmented marginal structural model combines the causal rigour of Robins et al.'s MSM framework with flexible, data-adaptive ML algorithms for estimating prope
Път за четене
Най-цитираните основополагащи методи по тази тема, подредени според реда на тяхното развитие — място, от което да започнете, ако сте нов тук.
Всички методи 8
Алгоритми за причинно-следствено откриване (PC, FCI, LiNGAM)Алгоритъм FCIАлгоритъм GESМашинно обучение, подпомагащо оценката на контрафактуалното въздействиеРазширен с машинно обучение нечетлив дизайн на прекъсване на регресиятаМашинно-обучен Модел на Маргинална Структура (ML-MSM)NOTEARS: Непрекъсната оптимизация за обучение на причинно-следствени структуриЦеленасочена оценка по метода на максималното правдоподобие (TMLE)