.fb-comments,.fb-comments span,.fb-comments span iframe[style]{ min-width:100%!important;width:100%!important}
Um efeito causal significa que um fator certo está ocorrendo dependendo de qualquer coisa que já tenha ocorrido. Nas empresas, a influência causal de uma cura é realmente importante, por exemplo, alterando a fonte de uma página da web centrada na quantidade de tempo usada por um usuário. Os remédios podem ser binários ou constantes.
Componentes confusos: é a terceira variável ao examinar um resultado e impacto no relacionamento romântico.
Comumente , existem aspectos confusos que afetam a cura, assim como o romance de resposta e a estimativa causal os explicam. O gerenciamento de confundidores quando os remédios são binários é muito bem pesquisado, quando não é o mesmo para opções de tratamento constantes. Os cientistas da Amazon lançaram uma nova estratégia para estimar os efeitos das terapias em andamento.
Pontuações de propensão
As soluções em andamento induzem infinitamente muitos resultados alcançáveis por unidade. Nessa situação, há uma coisa identificada como a curva de reação, que é um mapeamento entre a entrada contínua e a saída contínua. Se houver um confundidor, fica difícil decidir o casamento causal entre eles. A maneira convencional de explicar isso é pela ponderação de pontuação de propensão.
No entanto, as pontuações de propensão podem ser substanciais às vezes, o que desencadeia um desequilíbrio e oportunidades de vendas para inferências inseguras. O balanceamento de entropia é usado que seleciona pesos desses tipos de que a diferença entre eles é mínima (ou a entropia é máxima).
Balanceamento de conclusão a fim
O novo algoritmo é centrado no balanceamento de entropia e aprende os pesos para aumentar a inferência causal por otimização de ponta a ponta. O artigo demonstra a consistência da estratégia. Eles também pesquisaram os efeitos da especificação incorreta no sistema de geração de fatos artificiais. ou seja, o produto geralmente converge para a estimativa fantástica da operação de resposta real, independentemente de qualquer variedade inicial imprecisa de operação de reação aleatória.
Esta nova técnica, quando comparada ao antecessor de melhor desempenho, melhorou seu desempenho necessariamente significa erro quadrado em 27% quando o casamento entre a variável de resposta e a intervenção é linear e em 38% quando não é linear.
Em resumo, a equipe de investigação projetou um novo algoritmo para estimar os efeitos de remédio consistentemente diverso. Essa técnica funciona usando ML de conclusão a parada, balanceamento de entropia e ponderação de classificação de propensão.
Este artigo foi escrito como um artigo de resumo por membros da equipe do Marktechpost dependentes do documento de estudo’Balanceamento de conclusão a conclusão para causal contínua Estimativa de Influência do Tratamento‘. Todo o histórico de créditos para esta exploração vai para os pesquisadores deste trabalho. Confira o papel e postagem de referência. Lembre-se de que você não deve esquecer de fazer parte do nosso subreddit de ML 
Prathvik é estagiário de material de pesquisa de ML/IA no MarktechPost, ele é um 3º ano de graduação no IIT Kharagpur. Ele tem uma grande curiosidade em descoberta de dispositivos e ciência da informação. Ele está entusiasmado em descobrir as aplicações de em vários campos de pesquisa.
Avalie esta postagem
Compartilhar é cuidar!
