知识卡片
潜变量可进入模型而未被测量
因果模型关注DGP,应包含查询相关但未记录的原因。参数学习可尝试EM等方法处理隐藏变量,但仍需指定状态数、分布族及其他假设,优化得到一组参数不保证这些参数可由观测数据唯一识别。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 构建因果图模型
原书出处 · 1 处
- · 查看原书依据
some nodes in the causal DAG will not be observed in the data. Fortunately, probabilistic machine learning provides us with tools for learning the parameters of causal Markov kernels of latent variables.
参考来源
- 位置:《Causal AI》第03章《构建因果图模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Causal AI/_epub-src/OEBPS/Text/chapter-3.xhtml)
- 结论依据:摘录中关于潜变量可进入模型而未被测量的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:some nodes in the causal DAG will not be observed in the data. Fortunately, probabilistic machine learning provides us with tools for learning the parameters of causal Markov kernels of latent variables.