Veri odaklı ilkeler oluşturma ve karar alma sürecini etkileme

  • Makale

Makine öğrenmesi modelleri, verilerdeki desenleri tanımlama ve tahminde bulunma konusunda güçlü bir araçtır. Ancak bir müdahalenin varlığında gerçek dünya sonucunun nasıl değiştiğini tahmin etmek için çok az destek sunarlar.

Uygulayıcılar, gelecekteki kararlarını ve iş müdahalelerini bilgilendirmek için geçmiş verileri kullanmaya giderek daha fazla odaklanmıştır. Örneğin, bir şirket yeni bir fiyatlandırma stratejisi izleseydi gelir nasıl etkilenirdi? Yeni bir ilaç hastanın durumunu iyileştirir mi?

Sorumlu yapay zeka panosunun nedensel çıkarım bileşeni, bir özelliğin ilginin ortalama sonucu üzerindeki etkisini, popülasyon veya kohort genelinde ve bireysel düzeyde tahmin ederek bu soruları ele alır. Ayrıca çeşitli müdahalelere yönelik özellik yanıtlarını simüle ederek ve bir müdahaleden hangi popülasyon kohortlarının yararlanacağını belirlemek için kurallar oluşturarak umut verici müdahaleler oluşturmaya yardımcı olur. Bu işlevler toplu olarak karar alıcıların yeni ilkeler uygulamasına ve gerçek dünya değişikliğini yönlendirmesine olanak sağlar.

Bu bileşenin özellikleri EconML paketinden gelir. Çift makine öğrenmesi tekniği aracılığıyla gözlemsel verilerden heterojen tedavi etkilerini tahmin eder.

Aşağıdaki durumlarda nedensel çıkarım kullanın:

  • İlgi alanınızın sonucu üzerinde en doğrudan etkiye sahip olan özellikleri belirleyin.
  • İlgi çekici bir sonuç üzerinde gerçek dünya etkisini en üst düzeye çıkarmak için hangi genel tedavi ilkesinin alıneceğine karar verin.
  • Belirli özellik değerlerine sahip kişilerin belirli bir işlem ilkesine nasıl yanıt vereceğini anlayın.

Nedensel çıkarım içgörüleri nasıl oluşturulur?

Not

Nedensel içgörüler oluşturmak için yalnızca geçmiş veriler gereklidir. İşlem özelliklerine göre hesaplanan nedensel etkiler yalnızca bir veri özelliğidir. Bu nedenle, nedensel etkileri hesaplarken eğitilmiş bir model isteğe bağlıdır.

Çift makine öğrenmesi, tüm olası karıştırıcıların/denetimlerin (toplanan verilerde ve gözlemlenen sonuçta aynı anda tedavi kararı üzerinde doğrudan etkisi olan faktörler) gözlemlendiğinde ancak aşağıdaki sorunlardan biri mevcut olduğunda heterojen tedavi etkilerini tahmin etmek için bir yöntemdir:

  • Klasik istatistiksel yaklaşımların uygulanamayacak kadar çok sayıda olması. Yani, bunlar yüksek boyutlu.
  • Tedavi ve sonuç üzerindeki etkisi, parametrik fonksiyonlar tarafından tatmin edici bir şekilde modellenemez. Yani, parametrik değil.

Her iki sorunu da çözmek için makine öğrenmesi tekniklerini kullanabilirsiniz. Örnek için bkz . Chernozhukov2016.

Çift makine öğrenmesi, ilk olarak tahmine dayalı iki görevi tahmin ederek sorunu azaltır:

  • Denetimlerden sonucu tahmin etme
  • Denetimlerden işlem tahmin etme

Ardından yöntem, heterojen tedavi etkisinin bir modelini oluşturmak için bu iki tahmine dayalı modeli son aşama tahmininde birleştirir. Bu yaklaşım, tahmine dayalı iki görev için rastgele makine öğrenmesi algoritmalarının kullanılmasını sağlarken, son modelle ilgili birçok uygun istatistiksel özelliği korur. Bu özellikler arasında küçük ortalama kare hatası, asimptotik normallik ve güvenilirlik aralıklarının oluşturulması yer alır.

Microsoft nedensel çıkarım için başka hangi araçları sağlar?

  • Project Azua , uçtan uca nedensel çıkarıma odaklanan yeni bir çerçeve sağlar.

    Azua'nın DECI (derin uçtan uca nedensel çıkarım) teknolojisi, aynı anda nedensel bulma ve nedensel çıkarım yapabilen tek bir modeldir. Kullanıcı veri sağlar ve model tüm değişkenler arasındaki nedensel ilişkilerin çıkışını verebilir.

    Bu yaklaşım tek başına verilere ilişkin içgörüler sağlayabilir. Bireysel işlem etkisi (ITE), ortalama işlem etkisi (ATE) ve koşullu ortalama işlem etkisi (CATE) gibi ölçümlerin hesaplanmasına olanak tanır. Daha sonra en iyi kararları almak için bu hesaplamaları kullanabilirsiniz.

    Çerçeve, hem değişken sayısı hem de veri noktası sayısı açısından büyük veriler için ölçeklenebilir. Ayrıca, karışık istatistiksel türlerle eksik veri girişlerini de işleyebilir.

  • EconML , Sorumlu yapay zeka panosunun nedensel çıkarım bileşeninin arka ucunu çalıştırır. Gözlemsel veya deneysel verilerden bireyselleştirilmiş nedensel yanıtları tahmin etmek için makine öğrenmesi tekniklerini uygulayan bir Python paketidir.

    EconML'deki tahmin yöntemleri paketi, nedensel makine öğrenmesindeki en son ilerlemeleri temsil eder. Bu yöntemler, makine öğrenmesi adımlarını yorumlanabilir nedensel modellere dahil ederek durum tahminlerinin güvenilirliğini artırır ve çeşitli kullanıcılar için nedensel analizi daha hızlı ve kolay hale getirir.

  • DoWhy , nedensel düşünce ve analize yol açmayı amaçlayan bir Python kitaplığıdır. DoWhy, nedensel varsayımları açıkça modellemeye ve mümkün olduğunca doğrulamaya odaklanan, nedensel çıkarım için ilkeli dört adımlı bir arabirim sağlar.

    DoWhy'nin temel özelliği, herhangi bir tahmin yöntemi için nedensel varsayımları otomatik olarak test eden en son düzey başvuru API'sidir. Çıkarımı uzman olmayanlar için daha sağlam ve erişilebilir hale getirir.

    DoWhy, arka kapı, ön kapı, alet değişkeni ve diğer belirleme yöntemleri için ortalama nedensel etkinin tahminini destekler. Ayrıca EconML kitaplığıyla tümleştirme yoluyla CATE'nin tahminini de destekler.

Sonraki adımlar