Kauzálne objavovanie a kauzálne ML
8 — metódy v tejto rodine.
Vybrané
Algoritmy kauzálneho objavovania (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-baseAlgoritmus 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, PredictiAlgoritmus 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 iStrojové učenie-augmentovaná kontrafaktuálna vyhodnocovacia analýza dopaduMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaFuzzy regresný diskontinuitný dizajn rozšírený o strojové učenieML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherRozšírený marginálny štrukturálny model s podporou strojového učenia (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
Postup čítania
Najčastejšie citované základné metódy tejto témy, v poradí, v akom vznikali — miesto, kde začať, ak ste tu noví.
Všetky metódy 8
Algoritmy kauzálneho objavovania (PC, FCI, LiNGAM)Algoritmus FCIAlgoritmus GESStrojové učenie-augmentovaná kontrafaktuálna vyhodnocovacia analýza dopaduFuzzy regresný diskontinuitný dizajn rozšírený o strojové učenieRozšírený marginálny štrukturálny model s podporou strojového učenia (ML-MSM)NOTEARS: Kontinuálne optimalizovanie pre učenie kauzálnych štruktúrCieľová maximálna vierohodnostná metóda odhadu (TMLE)