Pembelajaran Mesin Berganda
Pembelajaran Mesin Berganda/Tidak Berbias (DML), yang diperkenalkan oleh Chernozhukov et al. (2018), ialah kerangka semiparametrik untuk menganggarkan parameter kausal atau struktur dengan kehadiran kawalan berdimensi tinggi. Ia menggunakan kaedah pembelajaran mesin yang fleksibel untuk memodelkan fungsi gangguan—jangkaan bersyarat hasil dan rawatan yang diberikan kovariat—dan kemudian membina penganggar tidak berbias bagi parameter sasaran yang mencapai ketekalan punca-n dan inferens sah walaupun terdapat bias regularisasi yang wujud dalam tetapan berdimensi tinggi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/ms/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.
- Anggaran Keboleh-Teguhan Berganda (AIPW)Inferens Kausal↔ compare
- Kesan Rawatan Heterogen (CATE / Meta-Learner)Inferens Kausal↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →