Odkrywanie przyczynowości i przyczynowe uczenie maszynowe
8 — metody w tej rodzinie.
Wyróżnione
Algorytmy odkrywania przyczynowości (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-baseAlgorytm 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, PredictiAlgorytm GESGreedy 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 iUczenie maszynowe wspomagające ewaluację wpływu kontrfaktycznegoMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaWzmocniony uczeniem maszynowym rozmyty regresyjny układ nieciągłościML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherUzupełniony o uczenie maszynowe marginalny model strukturalny (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
Ścieżka lektury
Najczęściej przywoływane metody fundamentalne dla tego tematu, w kolejności ich powstawania — dobry punkt wyjścia, jeśli zaczynasz tu przygodę.
Wszystkie metody 8
Algorytmy odkrywania przyczynowości (PC, FCI, LiNGAM)Algorytm FCIAlgorytm GESUczenie maszynowe wspomagające ewaluację wpływu kontrfaktycznegoWzmocniony uczeniem maszynowym rozmyty regresyjny układ nieciągłościUzupełniony o uczenie maszynowe marginalny model strukturalny (ML-MSM)NOTEARS: Ciągłe optymalizowanie dla uczenia struktury przyczynowejEstymacja maksymalnej wiarygodności ukierunkowanej (TMLE)