Descoperire și ML cauzal
8 metode în această familie.
Recomandate
Algoritmi de Descoperire Cauzală (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-baseAlgoritmul 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, PredictiAlgoritmul 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 iEvaluarea contrafactuală a impactului augmentată prin învățare automatăMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaProiectarea regresiei discontinue fuzzy augmentată cu învățare automatăML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherModel Structural Marginal Augmentat prin Învățare Automată (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
Traseu de lectură
Cele mai citate metode fundamentale ale acestui subiect, în ordinea în care au fost dezvoltate — un punct de plecare dacă vă aflați aici pentru prima dată.
Toate metodele 8
Algoritmi de Descoperire Cauzală (PC, FCI, LiNGAM)Algoritmul FCIAlgoritmul GESEvaluarea contrafactuală a impactului augmentată prin învățare automatăProiectarea regresiei discontinue fuzzy augmentată cu învățare automatăModel Structural Marginal Augmentat prin Învățare Automată (ML-MSM)NOTEARS: Optimizare Continuă pentru Învățarea Structurii CauzaleEstimarea de Maximum Verosimilitate Vizată (TMLE)