学习分享:因果推断

1 背景

AI的风险:不可解释性,不稳定性
原因:关联统计
克服手段:因果推断

可解释性与不稳定性存在内在联系,提高稳定性就能提高可解释性

训练和测试差异越大,效果提升越明显

技术风险小的领域:搜索引擎,推荐系统
技术风险大的领域(风险敏感):医疗健康,法律,交通运输,金融科技

人完全信任AI的预测结果是很难的——人在回路中——需要共同语言

2 模型稳定性

A:收入影响城市医院的癌症病人存活率
B:收入与高校医院的癌症病人存活率相关性不大
A场景中训练的模型用到B场景下预测,效果很差,模型稳定性不高

模型不稳定的原因:模型不能估计真实的数据产生机制

3 关联存在的问题

(1)关联本身不可解释:
趋势性变量之间可能并不存在物理意义上的关系。

基于关联构造的模型,只要当变量趋势一致,模型就会认为两者正相关,
当变量趋势相反时,模型就会认为两者负相关。

关联本身不可解释,则基于关联构造的模型也是不可解释的。

(2)关联本身不稳定
关联性与数据分布有很大关系
因果特征是任务的本质特征,可以保证模型的稳定性

4 产生关联的原因

(1)因果
X导致Y的因果机制,会导致Y随

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值