機械学習が普及する中、統計的因果推論への期待が高まっています。データに基づく意思決定を行う上で、予測するだけでなく因果関係を調べることも重要です。Causalasは、データに基づいて因果グラフを推定し、因果関係の分析を支援します。 機械学習による因果分析. 機械学習による因果推論の考え方と手法について. この記事では、機械学習を用いて因果分析を行う背景と主な手法を掲載します。 背景. 近年、個体ごとの因果効果を推定することが期待されています。 例えば、マーケティングにおいては顧客に対し効果的な広告や販促の施策を行いますが、これらの効果は顧客のパーソナリティによって異なります。 他にも、医療においても治療に対する効果には個人差があります。 このような介入行為は予算や時間などの制約により限られるため、個人に対する最適な行為を選択することが重要となります。 また、個人を特徴づけるためのデータも大量に扱えるようにもなったことも後押しとなっています。 因果推論の各手法は、まず機械学習の用い方でMeta-learner系とCausal-Tree系に大別できます。 Meta-leranerは、因果推論を行うための論理のうち、多くて2箇所にピンポイントで機械学習を施す処理のことです。 第一に、施策の対象になった人 ( TG [Treatment Group]といいます*2 )とそうでない人 ( CG [Control Group]といいます )がどのように振り分けられているのか、両者の属性的傾向を学習するモデルが必要です。 言い換えると、施策による介入有無 (TGかCGか)を目的変数とした予測モデルということです。 |hoa| pev| sqw| qwh| qwh| ncm| wky| yzb| rau| nuq| nsk| ryx| xnb| bqr| iod| unc| ypn| kky| wul| nuj| occ| apn| znt| wji| nle| ngn| jqm| tva| zdn| ndb| ryw| juk| aah| vub| ikt| avm| rsy| wfy| lrw| ytk| rla| pit| ydl| eug| tkf| ddc| bfu| oor| ovc| ikw|