推断（因果）模型

面向业务的机器学习

Karolis Urbonas

Head of Machine Learning & Science, Amazon

什么是因果性？

• 识别某些行动对目标结果的因果影响程度
• 回答"为什么？"的问题
• 在可解释性与性能之间更偏向可解释性
• 基于观测数据寻找模式并得出因果结论

实验 vs. 观测

• 通过实验来保证因果结论，例如 A/B 测试
• 当实验不可行（不道德、成本高等）时，使用模型（亦称观测研究）估计输入对结果的影响
• 只要可能，实验始终优于观测研究

最佳实践

1. 能做实验就做
2. 若持续实验过于昂贵，可定期进行（如季度、年度），并将其作为基准
3. 若无法实验，则构建因果模型；这需要更高级的方法

推断模型示例

推断——训练

推断——学习

推断——回归系数

推断——解读

让我们来练习！

面向业务的机器学习