Двойно машинно обучение
Двойното/коригирано машинно обучение (DML), въведено от Chernozhukov et al. (2018), е полупараметрична рамка за оценка на причинно-следствени или структурни параметри при наличие на високомерни контроли. То използва гъвкави методи за машинно обучение за моделиране на спомагателните функции — условните очаквания на резултата и третирането, дадени ковариати — и след това конструира коригиран оценител на целевия параметър, който постига корен от n консистентност и валидни изводи въпреки регулаторната грешка, присъща на високомерни настройки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1–C68. DOI: 10.1111/ectj.12097 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/bg/causal-inference/double-machine-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Двойно устойчива оценка (AIPW)Причинно-следствено заключение↔ compare
- Хетерогенни ефекти от лечение (CATE / Мета-обучаващи алгоритми)Причинно-следствено заключение↔ compare
- Случайна гораМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →