Обсуждение статьи "Причинно-следственный вывод в задачах классификации временных рядов"
Очень хорошая, осмысленная статья.
Маркетниг вместо маркетинг (конец предпоследнего абзаца введения) звучит несколько эээ... нетолерантно)
Неплохо.
В медицине рандомизированный это что из 1000 пациентов 60 выбираются случайным образом, хотя что есть в больнице, те и кандидаты, слепой, что контрольные тестовые и плацебо пациенты не знают в какой они группе, так же как и лечащий персонал. Ну и плацебо.
Плацебо нет.)))
И АТТ нет расшифровки и перевода, по смыслу это среднее лечение пролеченных.))) Хорошо бы )))
Неплохо.
В медицине рандомизированный это что из 1000 пациентов 60 выбираются случайным образом, хотя что есть в больнице, те и кандидаты, слепой, что контрольные тестовые и плацебо пациенты не знают в какой они группе, так же как и лечащий персонал. Ну и плацебо.
Плацебо нет.)))
И АТТ нет расшифровки и перевода, по смыслу это среднее лечение пролеченных.))) Хорошо бы )))
да я то понял, в тексте статьи этого нет, только абревиатура без расшифровки.)
Ну там сверху над уравнением написано, что для леченных. В целом фокус смещен в другую сторону немного, поэтому не стал расписывать ) А конкретно - как адаптировать эту науку со странными медицинскими определениями к анализу ВР
сложно адаптировать. ряды - пациенты сложно. Частями только, но вот разница свойств достаточно велика, что бы смысловые переносы без объяснений делать)))
К тому как и раньше писал, что это не явная понятая связь, а найденная через эксперименты, и не понятая. Я бы добавил для честности квази причинноследственный вывод.сложно адаптировать. ряды - пациенты сложно. Частями только, но вот разница свойств достаточно велика, что бы смысловые переносы без объяснений делать)))
К тому как и раньше писал, что это не явная понятая связь, а найденная через эксперименты, и не понятая. Я бы добавил для честности квази причинноследственный вывод.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Причинно-следственный вывод в задачах классификации временных рядов:
В этой статье мы рассмотрим теорию причинно-следственного вывода с применением машинного обучения, а также реализацию авторского подхода на языке Python. Причинно-следственный вывод и причинно-следственное мышление берут свои корни в философии и психологии, это важная часть нашего способа мыслить эту реальность.
Элисон Гопник — американский детский психолог, изучающая, как у младенцев формируются модели мира. Она также сотрудничает с учеными-компьютерщиками, помогая им понять, как человеческие младенцы строят здравые понятия о внешнем мире. Дети — в еще большей степени, чем взрослые — используют ассоциативное обучение, но они также являются ненасытными экспериментаторами. Вы когда-нибудь видели, как родители пытаются убедить своего ребенка перестать разбрасывать игрушки? Некоторые родители склонны интерпретировать такое поведение как грубое, разрушительное или агрессивное, но у малышей часто бывают другие мотивы. Они проводят систематические эксперименты, которые позволяют им изучать законы физики и правила социального взаимодействия (Gopnik, 2009). Младенцы в возрасте 11 месяцев предпочитают проводить эксперименты с объектами, которые проявляют непредсказуемые свойства, чем с объектами, которые ведут себя предсказуемо (Stahl & Feigenson, 2015). Это предпочтение позволяет им эффективно строить модели мира.
Что мы можем узнать от младенцев, так это то, что мы не ограничиваемся наблюдением за миром, как предполагал Юм. Мы можем также взаимодействовать с ним. В контексте причинно-следственных выводов эти взаимодействия называются вмешательствами. Вмешательства лежат в основе того, что многие считают Святым Граалем научного метода: рандомизированное контролируемое исследование, или сокращенно РКИ.
Но как же отличить ассоциацию от реальной причинно-следственной связи? Давайте попробуем разобраться.
Автор: Maxim Dmitrievsky