Публикации по теме 'causal-inference'
На основе обучения «Введение в статистику»: краткий список для чтения и многое другое.
Поиск правильных книг по определенной теме занимает много времени и вызывает много боли. Очевидно, это личный вопрос: то, что работает для одного человека, может не подходить другому. Этот короткий список ниже я написал в качестве дополнения к моим ученикам, которые изучали L24 Math 1011: Введение в статистику , которую я преподавал в летней школе University College at WashU .
Это вводный курс. Несмотря на то, что в названии есть просто «Статистика», в конце концов, основная..
Как алгоритмы машинного обучения могут улучшить причинно-следственную связь?
Как алгоритмы машинного обучения могут улучшить причинно-следственную связь?
Обнаружение причинно-следственных связей с помощью инструментов причинного моделирования
В последние годы алгоритмы машинного обучения пользуются большим успехом. Благодаря доступности значительного объема данных и увеличению скорости вычислений они превзошли обычные статистические методы.
Тем не менее, когда я узнавал больше о том, как они работают и как их применять, я пришел к удивительному факту:..
Помощь просроченным заемщикам в погашении с помощью моделирования роста в Tala
Как команда Data Science в Tala улучшила качество обслуживания заемщиков и бизнес-показатели KPI с помощью моделирования
Этот пост является продолжением моего глубокого погружения в механику моделирования поднятий на рабочем примере . Здесь я описываю, как мы в команде Data Science в Тала применяли модели повышения доходности, чтобы помочь просроченным заемщикам погасить свои ссуды. Tala предлагает самый доступный в мире продукт потребительского кредитования, мгновенно..
Причинный вывод (часть 2 из 3): выбор алгоритмов
Авторы Джейн Хуанг , Даниэль Йехдего и Сиддхарт Кумар
Введение
Это вторая статья из серии, посвященной методам и приложениям причинного вывода. В Части 1 мы обсуждали, когда и почему причинно-следственные модели могут помочь в решении различных бизнес-проблем. Мы также предоставили основы для анализа причинно-следственных связей и сравнили несколько популярных пакетов Python для анализа причинно-следственных связей. В этой статье мы подробно рассмотрим различные методы оценки..
Автоматическое обучение DAG — часть 2 — Просто потому что
Первоначально опубликовано на https://iyarlin.github.io 21 января 2020 г.
В предыдущем посте мы видели, что одно из основных отличий между классическим ML и Causal Inference — это дополнительный шаг использования правильного набора настроек для функций предиктора.
Чтобы найти правильный набор настроек, нам нужен DAG, который представляет отношения между всеми функциями, относящимися к нашей проблеме.
Одним из способов получения DAG является консультация экспертов в предметной..
Причинный вывод - Часть XV - Посредничество
Причинный вывод
Посредничество
Это пятнадцатый пост из серии, в которой мы прорабатываем Причинный вывод в статистике - хороший учебник, соавтором которого является сам Judea Pearl .
Вы можете найти предыдущий пост здесь и весь соответствующий код Python в сопутствующем репозитории GitHub:
DataForScience / Причинность Как причины приводят к следствиям? Можете ли вы связать причину, приведшую к наблюдаемому результату? Большие данные..
Повышение эффективности взаимодействия с клиентами с помощью моделирования роста
Введение в мощный способ прогнозирования индивидуальных эффектов лечения с использованием синтетических данных на Python с использованием pandas и XGBoost.
В этом посте я представлю концепцию улучшенного моделирования и объясню, почему это важная часть набора методов специалистов по анализу данных для увеличения стоимости бизнеса. Затем я покажу простой способ построения модели повышения и продемонстрирую несколько показателей оценки модели с использованием синтетических данных в..