「データ自体よりもデータ生成プロセスを理解することの方が重要」
「データ生成プロセスの理解が重要：データそのものよりも」
「なぜの本」 チャプター5＆6、一緒に読むシリーズ
人間の脳は幼児の頃から相関関係を因果関係と結びつけ、周りで起こることに対して理由を見つけようとします。後ろにいる車が私たちと同じタイミングで同じターンをする場合、それは私たちを追っていると思い込むことがあります。これは因果関係の仮定です。しかし、映画のようなムードから抜けると、私たちは実際には同じ目的地に向かっているだけだと考えるようになります — — 交絡因子です。共通の要因によって、2つの車の動きの間に相関関係が生まれます。このPearlによる生き生きとリレータブルな例は、人間の脳がどのように機能するかを証明しています。
理にかなった説明ができない相関関係はどうでしょうか？全体人口において相関関係のない2つの疾患が、入院人口では相関関係があるというような場合です。異なる因果構造について議論した前の記事で指摘されているように、コライダー（入院患者）に制限を加えると、2つの相関のない変数が間違って相関する効果が生まれます。つまり、入院患者は一般人口を正確に代表しておらず、このサンプルから得られる観察結果は一般化できません。
コライダーによる相関は、人間の脳には直感的ではなく、そのためにこれらの「パラドックス」と呼ばれるものが生み出されます。本稿では、眼の錯覚を作り出す興味深いパラドックスを因果関係図を使って説明します。これらのパラドックスの原因を理解することは、意義深く教育的です。これは「一緒に読む」シリーズの4番目の記事であり、「なぜの本」の第5章と第6章に基づいています。これらの2つの章でPearlが提供する例に基づいた面白い読み物になるはずです！前の記事はこちらです：
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- 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
- 「データベース間でSQLの実行順序が異なる方法」
- 「なぜ機械は思考できるのか」というテーマに関して
- 「Q4 Inc.が、Q&Aチャットボットの構築において、数値と構造化データセットの課題に対処するために、Amazon Bedrock、RAG、およびSQLDatabaseChainを使用した方法」
- 2024年の予測17：RAG to RichesからBeatlemaniaとNational Treasuresへ
- 「松ぼっくりベクトルデータベースとAmazon SageMaker JumpStartのLlama-2を使用したリトリーバル増強生成によって幻覚を軽減する」
- リトリーバル・オーグメンテッド・ジェネレーションにおける関連性の課題にどのように対処するか
