Épisode
Fondements de l’inférence causale et code source ouvert outils d’analyse causale
par Emre Kiciman
De nombreuses tâches clés de science des données concernent la prise de décision. Ils nécessitent la compréhension des causes d’un événement et la façon de prendre des mesures pour améliorer les résultats futurs. Les modèles Machine Learning (ML) s’appuient sur des modèles corrélationnels pour prédire la réponse à une question, mais échouent souvent à ces tâches de prise de décision, car les décisions et les actions qu’ils prennent en compte changent les modèles auxquels ils s’appuient. Les méthodes d’inférence causale, en revanche, sont conçues pour s’appuyer sur des modèles générés par des mécanismes de causalité stables et robustes, même lorsque les décisions et les actions changent. Grâce aux insights obtenus à partir de méthodes causales, le nouveau domaine croissant du Machine Learning causal promet de relever les défis fondamentaux du MACHINE Learning en matière de généralisabilité, d’interprétabilité, de biais et de confidentialité.
Dans cet exposé, vous allez découvrir les principes fondamentaux de l’inférence causale, y compris la façon dont une question cible de cause et d’effet peut être capturée dans un modèle graphique formel et répondre systématiquement à l’aide de données disponibles. Nous allons introduire un framework de modélisation causale en quatre étapes pour l’analyse des tâches de prise de décision et des exemples de code pas à pas à l’aide des bibliothèques DoWhy, EconML et des outils showWhy sans code.
De nombreuses tâches clés de science des données concernent la prise de décision. Ils nécessitent la compréhension des causes d’un événement et la façon de prendre des mesures pour améliorer les résultats futurs. Les modèles Machine Learning (ML) s’appuient sur des modèles corrélationnels pour prédire la réponse à une question, mais échouent souvent à ces tâches de prise de décision, car les décisions et les actions qu’ils prennent en compte changent les modèles auxquels ils s’appuient. Les méthodes d’inférence causale, en revanche, sont conçues pour s’appuyer sur des modèles générés par des mécanismes de causalité stables et robustes, même lorsque les décisions et les actions changent. Grâce aux insights obtenus à partir de méthodes causales, le nouveau domaine croissant du Machine Learning causal promet de relever les défis fondamentaux du MACHINE Learning en matière de généralisabilité, d’interprétabilité, de biais et de confidentialité.
Dans cet exposé, vous allez découvrir les principes fondamentaux de l’inférence causale, y compris la façon dont une question cible de cause et d’effet peut être capturée dans un modèle graphique formel et répondre systématiquement à l’aide de données disponibles. Nous allons introduire un framework de modélisation causale en quatre étapes pour l’analyse des tâches de prise de décision et des exemples de code pas à pas à l’aide des bibliothèques DoWhy, EconML et des outils showWhy sans code.
Vous voulez donner votre avis ? Soumettez un problème ici.