Fri Mar 1

人工智能因果推断定价策略

因果推断--uplift模型(二)

接下来这一章，咱们就来介绍一些基于深度学习的方法，当然这类方法理想情况下还是基于实验数据（RCT）进行训练。反事实回归网络（CFR）CFR其实是开启了使用深度学习的方式进行因果推断类任务的一个先河，我们知道，不同于观察模型，因果类的模型更关注与干预的影响，而非预测值的准确性，想要从理论上得到这个干预的效果，就一定要拉齐环境，或者随机数据进行对比，所以这个网络的设计上就需要满足两方面的要求。具有拉

Thu Oct 19

因果推断

因果框架--结构因果框架(三)

本章主要讲解一下在连续特征值的情况下如何进行因果图的挖掘。之前的介绍中节点的属性大部分以是否值为主。之前讲的优化的框架是如下的公式表达。max F(A)s.t.G(A)∈DAGs(1.1)max\ F(A) \\s.t.G(A) \in DAGs \tag{1.1}max F(A)s.t.G(A)∈DAGs(1.1)A 为因果结构的邻接矩阵,G(A)为A 所对应的有向无环图，DAGS 是所有可能的

Mon Jul 3

因果推断

因果推断(∞)--因果推断框架总结

之前写了那么多因果推断的博客，这篇博客做一个大的总结。以前写了好多散点的知识，这篇文章就要将这些散点的知识进行一次汇总。宏观上看因果框架分为两个部分，一个是结构因果框架，一个是潜因果框架。本文主要讲解潜因果框架的内容。之前介绍了很多散点的知识，这一节中会逐渐找到这些知识的归属地。结构因果框架结构因果框架主要包含因果图和结构方程的内容。之前介绍了很多相关的内容，这里就不会一一介绍了。结构因果框架中的

Sun Feb 26

因果推断

因果推断(十九)--反事实

学习了很长时间的因果知识，人们经常想通过因果关系的发现，尽可能的解答反事实的问题，那么什么是反事实呢？白话的表达是，当你做了动作A以后，如果不做会有什么样的后果就是一种因果表达。例如“如果选择复读，是否能考上清华的问题？”反事实因果模型我们先来介绍因果模型的一种形式化的定义。因果模型是一个三元组的模型，M=<U,V,F>M=<U,V,F>M=<U,V,F>.

Sun Nov 20

因果推断

因果推断(十六)--直接效应和间接效应

咱们先通过一个例子来引出今天的话题。大家一直怀疑避孕药会在女性的身体形成血栓，同时还能降低怀孕率。怀孕又对血栓的形成具有负面的作用（怀孕导致血栓的形成。）所以如果我们想要探索避孕药和血栓形成的关系仅仅通过控制中间变量怀孕是不足够看清楚关系的。必须要对那些使用避孕药之前就怀孕的，以及通过非药物手段进行避孕的女性进行研究。详细的说是通过条件化中间变量（怀孕），即使避孕药和血栓形成没有直接效应，也可能产

Tue Nov 1

因果推断

因果推断(十四)--d分离和准则

本文介绍一下因果图中最经典的概念，d分离和前门准则和后门准则。d分离d分离在概率图中用来判断变量独立的一个很有效的方法，下面来看看D分离的定义。当路径p被结点集Z，d-分离（或被blocked掉）时，当且仅当以下条件成立： 1. 若p包含形式如下的链i->m->j 或i<-m->j，则结点m在集合Z中。2. 若p中包含collider（碰撞点）i->m<-j,则

Wed Sep 28

概率图模型因果推断

贝叶斯网络(零)--概率图网络框架

本节主要介绍为贝叶斯网络网络开个头，介绍一些名词和背景知识。贝叶斯网络对于概率图而言是一个很大的话题，以边的属性作为区分可以分为两种模型，有向图模型和无向图模型。其中无向图称为马尔可夫网络，视觉领域有比较大的应用，而有向图也就是BN(belief network).当然也有无向图和有向图相结合的网络，称为链图（Chain graph）。图1给出了一个完整的架构，当然这些模型具有一定的转换性，通过降

Sun Sep 25

因果推断

因果推断(十三)--因果发现框架

本章节中咱们来聊聊如何发现一个因果结构，先给出因果的框架长成什么样子。一组变量V的因果结构是一个有向无环图，其中每个节点对应的V的一个变量，每个连接表示对应变量之间的直接函数关系。

Sun Sep 18

概率图模型因果推断

因果推断(十二)--贝叶斯网络

之前的章节中咱们已知介绍给定因果图关系以后如何分析图中各个因素之间的关系，对撞路径等等。今天这篇文章中咱们主要介绍一下贝叶斯网络的雏形，开启因果推断的核心区域的探索。条件独立与图咱们在训练模型的时候经常会说条件变量独立，或者是独立同分布这样的名词，那么条件独立怎么在因果中使用并且怎么给出一个比较客观的定义呢？令V={V1,V2...}V=\{V_{1}, V_{2}...\}V={V1,V2.

Thu Jul 28

因果推断

因果框架--潜因果框架(二)

今天咱们进一步看因果推断的内容，做的业务多了以后你就发现，每当端到端的模型，一般不能解决你的认知问题，你做了一个端到端的模型，可能仅仅也就是是个模型，可能最重要的是你从这个事情中学到了什么？这个才能驱使你成为一个专家，行业专家。所以多了解一些因果推断的内容是十分必要的，今天就来看看uplift建模方式。重新出发因果推断的建模大致为了解决以下几个问题。ITE: 单体的处置效应$$ITE=Y_{i}

因果推断--uplift模型(二)

因果框架--结构因果框架(三)

因果推断(∞)--因果推断框架总结

因果推断(十九)--反事实

因果推断(十六)--直接效应和间接效应

因果推断(十四)--d分离和准则

贝叶斯网络(零)--概率图网络框架

因果推断(十三)--因果发现框架

因果推断(十二)--贝叶斯网络

因果框架--潜因果框架(二)

分类

标签云

最新文章

标签

最新文章

Your browser is out-of-date!