Kauzální objevování a kauzální strojové učení
8 — metody v této rodině.
Vybrané
Algoritmy pro objevování kauzality (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-baseAlgoritmus 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, PredictiGES AlgorithmGreedy 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 iVyhodnocení kontrafaktuálního dopadu rozšířené o strojové učeníMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaStrojové učení rozšířený fuzzy diskontinuitní regresní designML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherAugmentovaný marginální strukturální model strojového učení (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
Cesta četby
Nejčastěji odkazované základní metody tohoto tématu v pořadí, v jakém vznikaly — místo, kde začít, pokud jste tu nově.
Všechny metody 8
Algoritmy pro objevování kauzality (PC, FCI, LiNGAM)Algoritmus FCIGES AlgorithmVyhodnocení kontrafaktuálního dopadu rozšířené o strojové učeníStrojové učení rozšířený fuzzy diskontinuitní regresní designAugmentovaný marginální strukturální model strojového učení (ML-MSM)NOTEARS: spojité optimalizace pro učení kauzálních strukturCílené odhadování maximální věrohodnosti (TMLE)