Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Алгоритми причинно-наслідкового виявлення (PC, FCI, LiNGAM)× | DBSCAN× | |
|---|---|---|
| Галузь≠ | Причинно-наслідковий висновок | Машинне навчання |
| Родина≠ | Regression model | Machine learning |
| Рік появи≠ | 2000 | 1996 |
| Автор методу≠ | Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM) | Ester, M., Kriegel, H.-P., Sander, J. & Xu, X. |
| Тип≠ | Causal structure learning | Density-based clustering algorithm |
| Основоположне джерело≠ | Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402 | Ester, M., Kriegel, H.-P., Sander, J. & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of the 2nd KDD, 226–231. link ↗ |
| Інші назви≠ | PC algorithm, FCI algorithm, LiNGAM, causal structure learning | DBSCAN Kümeleme, density-based clustering, density-based spatial clustering |
| Пов'язані≠ | 5 | 3 |
| Підсумок≠ | Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-based PC and FCI algorithms were developed by Spirtes, Glymour and Scheines (2000), while the LiNGAM model of Shimizu et al. (2006) exploits linear non-Gaussian structure to orient edges. | DBSCAN is a density-based clustering algorithm, introduced by Ester, Kriegel, Sander and Xu in 1996, that groups together points lying in dense regions and flags points in sparse regions as noise. It is effective on noisy data and on clusters of irregular, non-spherical shapes. |
| ScholarGateНабір даних ↗ |
|
|