¿Cuál es la diferencia entre los modelos causales y los modelos gráficos dirigidos?

¿Cuál es la diferencia entre los modelos causales y los modelos gráficos dirigidos?¿Cuál es la diferencia entre los modelos causales y los modelos gráficos dirigidos?

¿Cuál es la diferencia entre las relaciones causales y relaciones probabilísticos dirigidos?

o, aún mejor:

¿Qué le puso en la interfaz de una clase DirectedProbabilisticModel, y lo que en una clase CausalModel? ¿Uno heredaría del otro?

solución Collaborative:

interface DirectedModel { 
    bool NodesDependent(set<Node> nodes, map<Node, Distribution> context) 
    map<Node, Distribution> InferredProbabilities(map<Node, Distribution> observed_probabilities, 
              set<Node> nodes_of_interest) 
} 
interface CausalModel: DirectedModel { 
    map<Node, Distribution> InferredProbabilities(map<Node, Distribution> observed_probabilities, 
              map<Node, Distribution> externally_forced_probabilities, 
              set<Node> nodes_of_interest) 
}

Fuente

2010-01-21 Neil G

No relacionado con la programación. –

correlación no es lo mismo que causalidad, etc. –

Nadie mencionó la correlación. –

Causality by Judea Pearl es el libro para leer.

La diferencia es que uno es causal y el otro es simplemente estadística. Antes de despedirme como miembro del club de tautología, escúcheme.

Una relación probabilística dirigida (AKA un conjunto completo de Tablas de probabilidad condicionales, también conocida como Bayesian Network) solo contiene información estadística. Lo que significa que cualquier cosa que pueda inferir de la tabla de probabilidades conjuntas puede inferir de la relación probabilística dirigida, nada más, nada menos. Los dos son equivalentes.

Una relación causal es algo completamente distinto. Una relación causal (AKA Causal Bayesian Network) debe especificar qué sucede bajo cualquier intervención variable. La intervención es cuando una variable se fuerza a un valor fuera de las influencias normales del modelo. Esto es equivalente a reemplazar la probabilidad condicional para la variable forzada (o variables, pero consideramos solo una por simplicidad) con una nueva tabla en la cual la variable toma su valor forzado con probabilidad uno.

Si esto no tiene sentido, por favor siga y lo aclararé.

En esta sección se añaden a abordar cuestiones de Neil en los comentarios

Neil pregunta:

¿Cómo se puede determinar la dirección de dirigidos relaciones probabilísticas sin realizar intervenciones? En otras palabras , no la dirigida modelo gráfico tiene causal información en ella (es decir, la información acerca de las probabilidades condicionales en intervenciones?)

Usted puede determinar la dirección de las relaciones probabilísticas dirigidas al hacer adicional supuestos no estadísticos. Estas suposiciones comúnmente incluyen: asumiendo que no hay variables ocultas, y la realmente importante, asumiendo que las relaciones de independencia condicional encontradas en la distribución conjunta son estables (lo que significa que no existen por casualidad o cancelación). Bayesian Networks do not hacer estas suposiciones.

Para obtener detalles sobre cómo recuperar las instrucciones, busque los algoritmos IC, PC e IC *. Creo que los detalles específicos de IC están cubiertos en: "A Theory of Inferred Causation"

Fuente

2010-02-23 01:16:56

¿Cómo se puede determinar la dirección de las relaciones probabilísticas dirigidas sin realizar intervenciones? –

En otras palabras, ¿el modelo gráfico dirigido no tiene información causal (es decir, información sobre probabilidades condicionada a las intervenciones?) –

@Neil, agregué una nueva sección a mi respuesta para responder a sus preguntas. –

Si entiendo this post correctamente, los modelos casuales y modelos gráficos dirigidos (redes Bayesianas) AIM en diferentes etapas de flujo de trabajo. Un modelo casual es una forma de asignar dependencias de modo que reflejen la causalidad. Las redes bayesianas nos proporcionan técnicas de inferencia. Entonces, uno puede realizar una estimación usando algo diferente. Por otro lado, uno puede modelar redes Bayesianas usando diferentes técnicas que SCM.

Si profundiza en ello, háganoslo saber, porque no entiendo completamente el tema de SCM (aunque me gustaría :).

Fuente

2010-01-27 17:40:37

Realmente creo que la única diferencia entre los modelos causales y los modelos gráficos dirigidos es que * los modelos causales siguen siendo informativos después de las intervenciones *. En otras palabras, implementan la interfaz que he definido anteriormente. –

Los modelos gráficos dirigidos son una forma de codificar las relaciones causales entre variables. Los modelos gráficos probabilísticos son una forma de codificar la causalidad de manera probabilística. Recomendaría leer el libro this escrito por Judea Pearl, quien es una de las pioneras en el campo (a quien veo referirse en el documento que mencionó en el comentario).

un gráfico dirigido es simplemente un gráfico (nodos y bordes) que se dirige (los bordes tienen direcciones). Los modelos causales son modelos que le dicen cómo las variables se afectan entre sí, una forma de hacerlo es usando gráficos dirigidos. La investigación de IA ha demostrado que las relaciones causales deterministas no son suficientes para codificar el conocimiento del mundo que nos rodea porque es demasiado desordenado. Es por eso que se agregó la probabilidad a la imagen.

Fuente

2010-01-31 21:14:26 elijah

¿Cuál es la diferencia entre los modelos causales y los modelos gráficos dirigidos?

Respuesta

Cuestiones relacionadas