Виявлення та причинний ML
8 — методи цієї родини.
Вибране
Алгоритми причинно-наслідкового виявлення (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-baseАлгоритм 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, PredictiАлгоритм 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 iМашинне навчання для оцінки контрфактичного впливуMachine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather thaМашинне навчання-доповнений нечіткий розрив регресіїML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. WherМаргінальна структурна модель, доповнена машинним навчанням (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
Маршрут читання
Найчастіше цитовані фундаментальні методи цієї теми, у порядку їх розвитку — місце для початку, якщо ви тут уперше.
Усі методи 8
Алгоритми причинно-наслідкового виявлення (PC, FCI, LiNGAM)Алгоритм FCIАлгоритм GESМашинне навчання для оцінки контрфактичного впливуМашинне навчання-доповнений нечіткий розрив регресіїМаргінальна структурна модель, доповнена машинним навчанням (ML-MSM)NOTEARS: Безперервна оптимізація для навчання причинно-наслідкової структуриЦільове оцінювання максимальною правдоподібністю (TMLE)