Avsnitt
Grunderna för kausal slutsatsdragning och verktyg för kausal analys med öppen källkod
med Emre Kiciman
Många viktiga datavetenskapsuppgifter handlar om beslutsfattande. De kräver förståelse för orsakerna till en händelse och hur man vidtar åtgärder för att förbättra framtida resultat. Maskininlärningsmodeller (ML) förlitar sig på korrelationsmönster för att förutsäga svaret på en fråga men misslyckas ofta vid dessa beslutsuppgifter, eftersom de beslut och åtgärder som de driver ändrar de mönster de förlitar sig på. Kausala slutsatsdragningsmetoder är däremot utformade för att förlita sig på mönster som genereras av stabila och robusta kausala mekanismer, även när beslut och åtgärder ändras. Med insikter från kausala metoder lovar det nya, växande området för kausal maskininlärning att hantera grundläggande ML-utmaningar i generaliserbarhet, tolkning, bias och integritet.
I det här samtalet får du lära dig om grunderna i kausal slutsatsdragning, inklusive hur en målfråga om orsak och verkan kan fångas in i en formell grafisk modell och besvaras systematiskt med hjälp av tillgängliga data. Vi kommer att introducera ett fyrastegs ramverk för kausal modellering för analys av beslutsaktiviteter och genomgångskodexempel med hjälp av DoWhy-, EconML-bibliotek och ShowWhy-verktyg utan kod.
Många viktiga datavetenskapsuppgifter handlar om beslutsfattande. De kräver förståelse för orsakerna till en händelse och hur man vidtar åtgärder för att förbättra framtida resultat. Maskininlärningsmodeller (ML) förlitar sig på korrelationsmönster för att förutsäga svaret på en fråga men misslyckas ofta vid dessa beslutsuppgifter, eftersom de beslut och åtgärder som de driver ändrar de mönster de förlitar sig på. Kausala slutsatsdragningsmetoder är däremot utformade för att förlita sig på mönster som genereras av stabila och robusta kausala mekanismer, även när beslut och åtgärder ändras. Med insikter från kausala metoder lovar det nya, växande området för kausal maskininlärning att hantera grundläggande ML-utmaningar i generaliserbarhet, tolkning, bias och integritet.
I det här samtalet får du lära dig om grunderna i kausal slutsatsdragning, inklusive hur en målfråga om orsak och verkan kan fångas in i en formell grafisk modell och besvaras systematiskt med hjälp av tillgängliga data. Vi kommer att introducera ett fyrastegs ramverk för kausal modellering för analys av beslutsaktiviteter och genomgångskodexempel med hjälp av DoWhy-, EconML-bibliotek och ShowWhy-verktyg utan kod.
Har du feedback till oss? Skicka in ett problem här.