Inferenční (kauzální) modely

Machine Learning pro byznys

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Co je kauzalita?

• Identifikuje kauzální vztah – jak moc určité akce ovlivňují sledovaný výsledek
• Odpovídá na otázky „proč?"
• Upřednostňuje interpretovatelnost modelu před výkonem
• Modely hledají vzory v pozorovaných datech a vyvozují kauzální závěry

Experimenty vs. pozorování

• Experimenty jsou navrženy tak, aby zaručovaly kauzální závěry, např. v A/B testech
• Pokud experimenty nejsou možné (etické důvody, náklady nebo obojí), používají se modely (observační studie) k výpočtu vlivu vstupů na výsledky
• Experimenty jsou vždy preferovány před observačními studiemi, kdykoli je to možné

Osvědčené postupy

1. Provádějte experimenty, kdykoli je to možné
2. Pokud jsou průběžné experimenty příliš nákladné, provádějte je pravidelně (čtvrtletně, ročně) jako referenční bod
3. Pokud experimenty nejsou vůbec možné, sestavte kauzální model – to vyžaduje pokročilou metodologii

Příklad inferenčního modelu

Inference – trénování

Inference – učení

Inference – regresní koeficienty

Inference – interpretace

Pojďme si to procvičit!

Machine Learning pro byznys