min-width:100%!important;width:100%!important}
Ein kausaler Effekt bedeutet, dass ein sicherer Faktor eintritt, abhängig von allem, was bis jetzt passiert ist. In der Wirtschaft ist der ursächliche Einfluss einer Heilung sehr wichtig, zum Beispiel die Änderung der Schriftart einer Webseite, die sich an der Zeitdauer orientiert, die ein Benutzer verwendet. Heilmittel können binär oder konstant sein.
Verwirrende Komponenten: Dies ist die dritte Variable bei der Untersuchung eines Ergebnisses und einer Auswirkung auf eine romantische Beziehung.
Häufig , gibt es verwirrende Aspekte, die die Heilung ebenso beeinflussen, wie Reaktionsromantik und kausale Einschätzung für sie verantwortlich sind. Der Umgang mit Confoundern bei binären Arzneimitteln ist sehr gut erforscht, wenn es bei konstanten Behandlungsoptionen nicht ähnlich ist. Amazonas-Wissenschaftler haben eine neue Strategie entwickelt, um die Wirkung laufender Therapien abzuschätzen.
Propensity Scores
Laufende Lösungen führen zu unendlich vielen erreichbaren Ergebnissen pro Einheit. In dieser Situation gibt es eine Sache, die als Reaktionskurve bezeichnet wird, die eine Zuordnung zwischen dem fortlaufenden Input und dem fortlaufenden Output darstellt. Wenn es einen Confounder gibt, wird es schwierig, die kausale Verbindung zwischen ihnen zu bestimmen. Der herkömmliche Weg, dies zu berücksichtigen, ist die Gewichtung der Neigungsbewertung.
Neigungsbewertungen können jedoch manchmal erheblich sein, was zu einem Ungleichgewicht führt und Verkaufschancen zu unsicheren Schlussfolgerungen führt. Entropie-Ausgleich wird verwendet, der Gewichtungen dieser Typen auswählt, bei denen die Differenz zwischen ihnen minimal ist (oder die Entropie am größten ist).
Konschluss-zu-Ende-Ausgleich
Der neue Algorithmus konzentriert sich auf den Entropieausgleich und lernt die Gewichte, um die kausale Inferenz durch End-to-Close-Optimierung zu erhöhen. Das Papier zeigt die Konsistenz der Strategie. Sie haben auch die Auswirkungen von Fehlspezifikationen im System zur Generierung künstlicher Fakten untersucht. d.h. das Produkt konvergiert in der Regel zu der fantastischen Schätzung der tatsächlichen Reaktion, unabhängig von einer ungenauen anfänglichen Art von zufälliger Reaktion.
Diese neue Technik hat im Vergleich zum leistungsstärksten Vorgänger ihre verbessert notwendiger mittlerer quadratischer Fehler um 27 %, wenn die Verbindung zwischen Antwortvariable und Intervention linear ist, und um 38 %, wenn sie nicht linear ist.
Zusammenfassend hat das Untersuchungsteam einen neuen Algorithmus entwickelt, um die Auswirkungen abzuschätzen von durchweg vielfältigen Mitteln. Diese Technik funktioniert durch die Verwendung von Abschluss-zu-Stopp-ML, Entropieausgleich und Neigungsbewertungsgewichtung.
Dieser Artikel wurde als zusammenfassender Artikel von Marktechpost-Mitarbeitern in Abhängigkeit von der Studienarbeit’Finish-to-Conclude Balancing for Causal Continuous Abschätzung des Behandlungseinflusses‘. Die gesamte Kredithistorie für diese Erkundung geht an Forscher in diesem Job. Sehen Sie sich das Papier und Referenzbeitrag. Denken Sie daran, dass Sie nicht vergessen sollten, Teil von unserem ML-Subreddit zu sein 
Prathvik ist Praktikant für ML/AI-Forschungsmaterial bei MarktechPost und studiert im 3. Jahr am IIT Kharagpur. Er hat eine ausgeprägte Neugier in der Geräteforschung und Informationswissenschaft. Er ist begeistert davon, die Anwendungen in verschiedenen Forschungsbereichen zu entdecken.
Bewerten Sie diesen Beitrag
Teilen bewegt!
