「独立性の理解とその因果推論や因果検証における重要性」

「美容とファッションの世界における独立性の理解とその重要性」

Pythonを使用して因果推論で有向非巡回グラフを検証するための独立性の概念の理解と適用方法のステップバイステップガイド

背景

最近の記事では、著者が提案された有向非巡回グラフ（DAG）をデータセットに対して検証し、グラフ内のデータに存在しない因果関係を示す架空の辺を特定するために依存性の概念をどのように使用できるかを探求して説明しました。

この2回目の記事では、逆（しかし同様に重要な）の概念である独立性を使用して、欠落している辺を特定する方法について説明します。これらは、提案されたDAGに表示されないがデータに実際に存在する因果関係であり、DAGを完全かつ正確にするために追加する必要があります。

はじめに

因果推論は、イベントと結果の因果関係を決定することに関心を持つデータサイエンスの新興分野であり、機械学習が組織に生成できる価値を大幅に向上させる可能性があります。

たとえば、従来の機械学習アルゴリズムは、どのローン顧客が債務不履行になる可能性があるかを予測し、顧客との積極的な干渉を実現します。しかし、このアルゴリズムは債務不履行が起こった理由を理解する概念を持っておらず、積極的な干渉は有用ですが、債務不履行の理由を知ることによって、根本的な原因を解決することができます。この世界では、根本的な原因が恒久的に解決されたため、積極的な干渉は不要になるかもしれません。

• 関数を呼び出す
• 「パーティションを使用しよう、ルーク！SQLクエリの最適化に役立つシンプルで実証済みの方法」
• ランナーの疲労検知のための時間系列分類 – チュートリアル

これが因果推論の約束であり、その潜在能力を活用できる組織には大きな影響と成果をもたらす可能性があります。

さまざまなアプローチがありますが、最も一般的なアプローチは通常、データを「有向非巡回グラフ」（DAG）で拡張して因果関係をカプセル化し、視覚化し、それから因果推論技術を使用して以下のような質問をします…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!