Google Colabで統計的因果探索手法LiNGAMを動かしてみた｜Dentsu Digital Tech Blog
電通デジタルでデータサイエンティストをしている中嶋です。 前回の記事は「Airflow 2.0でDAG定義をよりシンプルに！TaskFlow APIの紹介」でした。 Advent Calendar 10日目となる本記事では因果探索の一手法であるLiNGAM(Linear Non-Gaussian Acyclic Model)の解説及び、Google Colabでの分析例について紹介します。 因果探索とは最近のトレンド 最近、広告配信やマーケティング分析の文脈で施策の効果を適切に評価する手法として実験計画法や因果推論が注目を浴びています。産業界でも株式会社ソニーコンピュータサイエンス研究所、クウジット株式会社、株式会社電通国際情報サービスの三社が提供するCALCという要因分析ツールや、最近はNECの因果分析ソリューション causal analysisも出ていたりと盛り上がりを見せています。
AIで原因と結果を把握する ~機械学習と因果推論の融合 Meta-Learner~｜Tack@データサイエンス
今回は、前回少ししか触れなかった、機械学習と因果推論の融合分野について解説していきます。 ■WHY なぜ機械学習と因果推論が融合するのか結論、個別の因果効果を把握することが求められているからです。 例えば、マーケティング施策の限られた予算の中で、 ・どの顧客にクーポンを打つのが効果的なのか ・どの種類のクーポンを打つと顧客はもっと商品を買ってくれるのか ・そのクーポンはどのチャネルで訴求するべきか ・はたまた本当はクーポンではなく新商品の広告の方がコストパフォーマンスが高いのではないか などを総合的に考慮する場合 または、治療をする際に ・どの人に優先的に治療をするべきか ・その人にはどの治療法が最も効果があるのか など個別の因果効果が求められる場面は多々あります。 どの方法もできる限り多く実行できれば良いのですが、 物事には基本的にリソース(予算・時間など)の制約があるため、 限られた範
Causal ML パッケージと学ぶ Meta-Learner - Qiita
はじめに 仕事関係で Uplift Modeling について調べていたら、CATE (Conditional Average Treatment Effect) にたどり着きました。 CATE は ATE (Average Treatment Effect) をある特徴量で条件付けたもので、ATE が"平均的な"処置効果を算出しているのに対し、効果は各属性 (特徴量) によって変わるはずであるという考えのもと、非均質性 (heterogeneity) を織り込んだ形での処置効果を算出しています。 $$ATE:=E[Y(1)-Y(0)]$$ $$CATE:=E[Y(1)-Y(0)|X=x]$$ ここで、$Y(1)$、$Y(0)$ は潜在的結果変数、$X=x$ はある特徴量となります。 CATE、すなわち個人やセグメントレベルでの処置効果を推定することができれば、処置効果がプラスの人にのみキ
About CausalML — causalml documentation
About CausalML CausalML is a Python package that provides a suite of uplift modeling and causal inference methods using machine learning algorithms based on recent research. It provides a standard interface that allows user to estimate the Conditional Average Treatment Effect (CATE), also known as Individual Treatment Effect (ITE), from experimental or observational data. Essentially, it estimate
機械学習を用いた因果推論のための最新 Python パッケージ "CausalML" の紹介 - YuRAN-HIKO
はじめに CausalML とは 現在 CausalML で提供されているもの CausalMLがどういう分野で適用可能か Targeting Optimization Causal Impact Analysis Personalization おわりに 統計的因果推論の関連記事 はじめに 本記事は H. Chen et al. (2020), "CausalML: Python Package for Causal Machine Learning" の紹介記事です。 上記 Chen et al.(2020) は目下研究分野としてもアツい、機械学習を用いた因果推論手法を提供する CausalML という最新の Python パッケージの紹介になっています。この CausalML は Uber Technology のメンバーが開発したパッケージで、著者らは同社のメンバーです。Uplif
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
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
uber/causalml: Uplift modeling and causal inference with machine learning algorithms
EconML/notebooks/Metalearners Examples.ipynb at main · py-why/EconML