Dubultā mašīnmācīšanās
Dubultā/deibizētā mašīnmācīšanās (DML), ko ieviesa Chernozhukov et al. (2018), ir semiparametrisks ietvars kauzālo vai strukturālo parametru novērtēšanai, ja ir augstdimensionāli kontrolpunkti. Tā izmanto elastīgas mašīnmācīšanās metodes, lai modelētu kaitīgo funkciju — iznākuma un ārstēšanas nosacītās cerības, ņemot vērā kovariātus — un pēc tam konstruē deibizētu mērķa parametra novērtētāju, kas sasniedz saknes-n konsistenci un derīgu secinājumu, neskatoties uz regulēšanas aizspriedumiem, kas raksturīgi augstdimensionālām vidēm.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/lv/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.
- Divkārši robusta novērtēšana (AIPW)Cēloņsakarību secināšana↔ compare
- Heterogēni ārstēšanas efekti (CATE / Metamācītāji)Cēloņsakarību secināšana↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →