Guest
Data Fest Online 2020 Causal Inference in ML Track - Causal Inference Introduction Знакомство с causal inference, начальный уровень. Все слышали ““correlation doesn’t mean causation““, а я покажу на примерах и картинках, во что это выливается на практике. Есть миф, что можно всё имеющиеся данные запихать в XGBoost или :more-layers:, а они сами разберутся и выдадут точное предсказание. Но по предсказаниям обычно действуют и ожидают какой-то эффект, а он почему-то не совпадает с ожиданиями, посчитанными на истории. Расскажу, почему он может не совпадать и в какую сторону копать, чтобы прикинуть более похожий на правду эффект от действий. Но серебряной пули выдано не будет, основной способ найти неизвестную причинно-следственную связь - это попробовать. Everybody has heard ““correlation doesn’t mean causation““. I’ll present a series of illustrated examples of this principle. It’s often said that you can put all your historical data into ML algorithm and it’ll guess what’s needed to make an accurate prediction. Then you change something to make the predicted outcome better and get a quite unexpected effect. I’ll tell why this effect could be different and how to get closer to accurate effect estimation. There will be no silver bullet promised. You still need to run an experiment to find a cause-effect relation. Посмотреть эфир и список треков и организаторов Зарегистрироваться на фест и получить доступ к трекам Вступить в сообщество Соцсети Data Fest:
