Põhjuslike seoste avastamine ja põhjuslik masinõpe
8 meetodit selles perekonnas.
Esiletõstetud
PC, FCI, LiNGAM algoritmide abil põhinev kausaalsuse avastamineCausal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-baseFCI algoritmiThe 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-algoritmGreedy 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 iMasinõppimisega täiustatud kontrafaktuaalne mõjuanalüüsMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaMasinõppimisega täiustatud hägusa regressi-katkestuse disainML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherMasinõppimisega täiendatud marginaalne strukturaalne mudel (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
Lugemisteekond
Selle teema enim viidatud alusmeetodid nende väljatöötamise järjekorras — koht, kust alustada, kui oled siin uus.
Kõik meetodid 8
PC, FCI, LiNGAM algoritmide abil põhinev kausaalsuse avastamineFCI algoritmiGES-algoritmMasinõppimisega täiustatud kontrafaktuaalne mõjuanalüüsMasinõppimisega täiustatud hägusa regressi-katkestuse disainMasinõppimisega täiendatud marginaalne strukturaalne mudel (ML-MSM)NOTEARS: pidev optimeerimine põhjusliku struktuuri õppimiseksSihtotstarbeline suurima tõenäosuse hinnang (TMLE)