Oksági feltárás és oksági gépi tanulás
8 módszer ebben a családban.
Kiemelt
Kauzális feltáró algoritmusok (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-baseFCI AlgoritmusThe 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 AlgoritmusGreedy 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 iGépi tanulással kiegészített kontrafaktuális hatáselemzésMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaGépi Tanulással Bővített Fuzzy Megszűnési Pont DesignML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherGépi tanulással kiegészített marginális strukturális modell (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
Olvasási útvonal
E témakör leggyakrabban hivatkozott alapmódszerei kidolgozásuk sorrendjében — kiindulópont, ha most ismerkedik a területtel.
Minden módszer 8
Kauzális feltáró algoritmusok (PC, FCI, LiNGAM)FCI AlgoritmusGES AlgoritmusGépi tanulással kiegészített kontrafaktuális hatáselemzésGépi Tanulással Bővített Fuzzy Megszűnési Pont DesignGépi tanulással kiegészített marginális strukturális modell (ML-MSM)NOTEARS: Optimalisálás folytonos változókkal az ok-okozati struktúra tanulásáhozCélzott Maximum Valószínűség Becslés (TMLE)