반응형
Recent Posts
Notice
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |
Tags
- recommendation system
- 수학적해석학
- 데이터분석가
- DataAnalyst
- 베이지안통계
- 선형대수학
- 빅쿼리
- 티스토리챌린지
- 오블완
- 데이터분석
- 인과추론 무작위 실험
- 인과추론
- 인과추론개요
- 벡터
- Bayesian
- 네카라쿠배당토
- CausalInference
- 회고
- 나의서양미술순례
- Recsys
- BigQuery
- 실무로통하는인과추론
- SQL
- 데이터분석가 코딩테스트
- 독후감
- 글또10기
- mathematicalthinking
- 코세라
- 잠재적결과
- chatGPT
Archives
- Today
- Total
목록인과추론collider (1)
Derek 의 데이터 분석 성장기

해당 내용은 실무로 통하는 인과추론을 참고, 정리하였음을 밝힙니다. 0. 그래프 인과모델그래프 모델은 인과추론 문제를 구조화하여, 식별 가정을 명쾌하고 시각적으로 표현하는 방법입니다. 1장에서 했던 인과추론 방법 (데이터로 매개변수를 추정하지 않고) 그래프로 식별을 하는 법을 알 수 있습니다. 흔히 식별을 방해하는 편향의 원인 두 가지와 인과 그래프 구조를 바탕으로 인과추론을 할 수 있는 법을 배울 수 있습니다. 구조적 인과모델(Structual causal Model) = SCM 이라는 용어로 인과추론을 공부하는 사람들은 그래프 인과모델 용어를 사용합니다. 이는 인과방정식(causal equation)으로 구성됩니다. 1. 인과관계 시각화 이 사례에서 T가 무작위로 배정되었을시, 처치는 잠재적 결..
Data/인과추론
2024. 10. 27. 13:26