Surrogate indexについて調べて簡単にまとめる - 名前はまだない
はじめに こちらの記事でSurrogate indexについて初めて知りました。 developers.cyberagent.co.jp Netflixでも活用されていて、一定の成果を上げているようです。 arxiv.org 業務で扱う課題を解決してくれる可能性があったため、理解しておきたいと思いました。 論文等を読みつつRで挙動などを確認していきます。 はじめに 概要 課題感 方針 仮定 仮定1 強く無視できる割り当て条件 仮定2 代理性 仮定3 互換性 定義 Surrogate index：代理指数 代理スコア：Surrogate Score Sampling Score 潜在的条件付き期待値 関係性 因果効果の推定 論文での適用事例 Rで確認 データの生成 推定 所感 概要 元の論文はこちらです。 www.nber.org よりわかりやすい説明は冒頭のブログ記事を参照してください。
CATEを推定するMeta-Learnersの特徴と比較 - 名前はまだない
はじめに 前にCATEを求めるCausal Treeについての記事を書きました。 saltcooky.hatenablog.com そうなるとMeta-Learnerも気になってきたので、こちらを読みました。 arxiv.org 簡単に内容をまとめます。 事前知識 因果推論 因果推論における詳しい話はこちらをご覧ください。 調査観察データの統計科学―因果推論・選択バイアス・データ融合 (シリーズ確率と情報の科学) 作者:星野 崇宏発売日: 2009/07/29メディア: 単行本 効果検証入門〜正しい比較のための因果推論/計量経済学の基礎 作者:安井 翔太発売日: 2020/01/18メディア: 単行本（ソフトカバー） 平均処置効果：Average Treatment Effect(ATE) 注目する群全体における処理の効果 . ] 個別因果効果：Individual Treatment E
Causal Treeはどうやって個別の因果効果を推定しているのかを整理(しきれなかった) - 名前はまだない
はじめに ここ最近で機械学習と因果推論の融合が有名になってきました。 その中で、決定木(回帰木)のアルゴリズムを用いて条件付き処置効果(CATE)を推定するCausal Treeという手法の話がでてきています。 しかし、概要を聞いても何をしているのかよくわからないので、Causal Treeの提案者であるS.Atheyが書いた論文を読みました。 arxiv.org Causal Treeでどのように条件付き処置効果(CATE)を推定しているのかまとめてみました。 といっても個人的なメモに過ぎません(免責事項)。 いつも通り、少しずつ修正を加えていきます。 正直これらのスライドの方が簡潔でわかりやすいです。 私も参考にさせていただきました。 計量経済学と 機械学習の交差点入り口 （公開用） 勉強会準備資料備忘：causal forest & r-learner - Speaker Deck
クラウドソーシングにおける真のラベル推定手法【RStanで実装】 - 名前はまだない
はじめに 最近、教師データを作成する際に質の高いデータが欲しいなとという思いが強くなってきました。 そんなときにクラウドソーシングにおけるラベルの品質管理という話を知りました。 少し調べてみましたので、まとめて用いられている手法を実装してみます。 クラウドソーシングの品質管理 クラウドソーシングにおいて、一人のワーカが行ったラベリングでは、機械学習の教師ラベルとして用いるには質が劣ってしまいます。 タスクの難易度により生まれる解答の個人差や金銭のみを目的としたワーカが、でたらめな回答をしてしまうことがあるためです。 この状態を解消するために、複数のワーカにラベリングを行ってもらい結果を統合します。 しかし、単純な多数決では上記のような質の悪いワーカの回答にひっぱられてしまい、得られたラベルの質も悪くなってしまいます。 そこで、複数のワーカのラベリングから真のラベルを推定してラベルの品質を高
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
