Spiegare le giunzioni utilizzando correlazione, indipendenza e regressione per comprendere la loro importanza critica nell’inferenza causale
L’inferenza causale è l’applicazione della probabilità, della visualizzazione e dell’apprendimento automatico per comprendere la risposta alla domanda “perché?”
Si tratta di un campo relativamente nuovo della scienza dei dati e offre il potenziale per estendere i vantaggi degli algoritmi predittivi che affrontano i sintomi di un problema aziendale di fondo per curare in modo permanente il problema aziendale stabilendo causa ed effetto.
In genere l’inferenza causale inizierà con un set di dati (come qualsiasi altro ramo della scienza dei dati) e quindi aumenterà i dati con una rappresentazione visiva delle cause e degli effetti racchiusi nelle relazioni tra gli elementi di dati. Una forma comune di questa visualizzazione è il grafico aciclico diretto o DAG.
I DAG sembrano apparentemente semplici ma nascondono molta complessità che deve essere pienamente compresa per massimizzare l’applicazione delle tecniche di inferenza causale.
Anche i DAG più complessi possono essere suddivisi in una raccolta di giunzioni che possono essere solo uno dei 3 modelli – una catena, un fork o un collisore – e una volta spiegati questi modelli, le tecniche più complesse possono essere costruite, comprese e applicato.
Questo articolo si prenderà il tempo per spiegare e comprendere pienamente i 3 modelli di giunzione ponendo le basi affinché il lettore possa comprendere i dettagli delle complesse tecniche di inferenza causale.
Avremo bisogno di un DAG di esempio da esplorare e spiegare. Ho costruito il DAG fittizio di seguito perché è sufficientemente semplice per esplorare efficacemente i concetti e sufficientemente complesso da contenere tutti e 3 i tipi di giunzioni…
Fonte: towardsdatascience.com
