.fb-comments,.fb-comments span,.fb-comments span iframe[style]{ min-width:100%!important;width:100%!important}
Un effet causal signifie qu’un facteur certain se produit en fonction de tout ce qui s’est déjà produit. Dans une entreprise commerciale, l’influence causale d’un remède est vraiment importante, par exemple, changer la police d’une page Web centrée sur la quantité de temps utilisée par un utilisateur. Les remèdes peuvent éventuellement être binaires ou peuvent être constants.
Composants confondants : c’est la 3ème variable lors de l’examen d’un résultat et d’un impact sur une relation amoureuse.
Couramment , il existe des aspects confondants qui ont un impact sur la guérison ainsi que la romance de la réponse et l’estimation causale qui les expliquent. La gestion des facteurs de confusion lorsque les remèdes sont binaires est très bien étudiée, alors qu’il n’en est pas de même pour les options de traitement qui sont constantes. Les scientifiques d’Amazon ont mis en place une nouvelle stratégie pour estimer les effets des thérapies en cours.
Scores de propension
Les solutions en cours induisent une infinité de résultats réalisables par unité. Dans cette situation, il y a une chose identifiée comme la courbe de réaction, qui est une cartographie entre l’entrée en cours et la sortie en cours. S’il y a un facteur de confusion, il devient difficile de décider du mariage causal entre eux. La manière conventionnelle d’en tenir compte consiste à pondérer les scores de propension.
Cependant, les scores de propension peuvent parfois être importants, ce qui déclenche un déséquilibre et des opportunités de vente pour une inférence incertaine. L’équilibrage d’entropie est utilisé pour sélectionner les pondérations de ces types dont la différence entre eux est minimale (ou l’entropie est maximale).
Équilibrage de la conclusion à la fin
Le nouvel algorithme est centré sur l’équilibrage d’entropie, et il apprend les poids pour augmenter l’inférence causale par optimisation de bout en bout. Le document démontre la cohérence de la stratégie. Ils ont également étudié les effets d’une mauvaise spécification dans le système de génération de faits artificiels. c’est-à-dire que le produit converge généralement vers l’estimation fantastique de la réponse réelle, indépendamment de toute variété initiale inexacte de réaction aléatoire.
Cette nouvelle technique, par rapport au prédécesseur le plus performant, a amélioré son signifie nécessairement erreur carrée de 27 % lorsque le mariage entre la variable de réponse et l’intervention est linéaire et de 38 % lorsqu’il est non linéaire.
En résumé, l’équipe d’enquête a conçu un nouvel algorithme pour estimer les effets de remède toujours diversifié. Cette technique fonctionne en utilisant le ML de conclusion à arrêt, l’équilibrage d’entropie et la pondération de la cote de propension.
Cet article est rédigé comme un article de synthèse par les membres du personnel de Marktechpost dépendant du document d’étude’Finish-to-Conclude Balancing for Causal Continuous Estimation de l’influence du traitement‘. Tous les antécédents de crédit pour cette exploration vont aux chercheurs sur ce travail. Découvrez le article et article de référence. N’oubliez pas que vous ne devez pas oublier de faire partie de notre sous-reddit ML 
Prathvik est stagiaire en matériel de recherche ML/AI chez MarktechPost, il est en 3e année de premier cycle à l’IIT Kharagpur. Il a une grande curiosité pour la découverte d’appareils et la science de l’information. Il est enthousiaste à l’idée de découvrir les applications de dans divers domaines de recherche. signifie qu’un facteur certain se produit en fonction de tout ce qui s’est déjà produit. Dans une entreprise commerciale, l’influence causale d’un remède est vraiment importante, par exemple, changer la police d’une page Web centrée sur la quantité de temps utilisée par un utilisateur. Les remèdes peuvent éventuellement être binaires ou […]