Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: == Промпт == '''Модель:''' GPT-5.6 Terra High. <pre> Ты — научный редактор русскоязычной энциклопедии MachineLearning.ru, спе...)
 
(6 промежуточных версий не показаны.)
Строка 1: Строка 1:
-
== Промпт ==
+
Статья была сделана с помощью '''GPT-5.6 Terra High'''. Первый промпт был такой:
-
'''Модель:''' GPT-5.6 Terra High.
+
{{well|
 +
Напиши подробную статью про причинное машинное обучение. Объясни простыми словами, чем обычный прогноз отличается от оценки последствий какого-либо действия.
-
<pre>
+
Расскажи про причинные графы, вмешательства, контрфактические вопросы, конфаундеры и структурные причинные модели. Ещё добавь потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery.
-
Ты — научный редактор русскоязычной энциклопедии MachineLearning.ru, специалист по причинному выводу, статистике и машинному обучению.
+
-
Подготовь полноценную новую энциклопедическую статью на русском языке «Причинное машинное обучение». Статья должна быть содержательной, технически точной, написанной живым академическим языком и выглядеть как текст, который мог подготовить эксперт после ручной редакторской проверки.
+
Начни с понятного примера, а потом постепенно переходи к формулам и более сложным методам. Добавь реальные примеры применения, ограничения, внутренние ссылки и нормальные научные источники. Ничего не выдумывай.
-
Целевая аудитория:
+
Оформи текст в вики-разметке. Формулы пиши через &lt;tex&gt; и &lt;/tex&gt;, а перед отдельными формулами ставь два двоеточия.
-
1. студент, знакомый с основами теории вероятностей и машинного обучения;
+
}}
-
2. практикующий ML-специалист, которому нужны формальные определения, ограничения методов и ссылки на научные источники.
+
-
Раскрой следующие темы:
+
С первого раза получилось в целом нормально, но не хватало условий, при которых причинный эффект вообще можно оценить. Некоторые практические методы были описаны слишком коротко, а causal discovery выглядел так, будто он может сам восстановить причинные связи из любой таблицы. Ещё надо было поправить оформление формул.
-
- различие между предиктивной вероятностью P(Y | X=x), интервенционным запросом P(Y | do(X=x)) и контрфактическим рассуждением;
+
-
- структурные причинные модели, ориентированные причинные графы, конфаундеры, медиаторы и коллайдеры;
+
-
- модель потенциальных исходов Y(1) и Y(0), ATE, ATT, CATE и ITE;
+
-
- условия идентификации: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции;
+
-
- критерий задней двери и формулу корректировки;
+
-
- рандомизированные эксперименты, matching, propensity score, inverse probability weighting, двойную устойчивость и double machine learning;
+
-
- причинные леса и оценку гетерогенных эффектов;
+
-
- causal discovery, его возможности и принципиальные ограничения;
+
-
- causal representation learning, переносимость и обобщение вне распределения;
+
-
- практические области применения, риски, ограничения и связь с философией искусственного интеллекта.
+
-
Требования к оформлению MachineLearning.ru:
+
Второй промпт был такой:
-
- используй MediaWiki-разметку;
+
-
- начни с шаблонов {{well|...}} и {{TOCright}};
+
-
- используй логичную структуру из разделов и подразделов;
+
-
- для математических формул используй ТОЛЬКО теги <tex>...</tex>, а не <math>...</math>;
+
-
- выключные формулы оформляй двойным отступом через ::;
+
-
- добавь внутренние ссылки на релевантные понятия вики;
+
-
- добавь разделы «См. также», «Примечания» с {{примечания}} и «Литература»;
+
-
- оформляй источники через <ref> и шаблоны {{книга}} или {{статья}};
+
-
- добавь существующую категорию [[Категория:Искусственный интеллект]].
+
-
Требования к качеству:
+
{{well|
-
- не выдумывай источники, авторов, DOI, эксперименты, результаты или числа;
+
Доработай статью. Добавь условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и покажи формулу корректировки.
-
- используй только реальные академические источники: Pearl, Hernán и Robins, Peters–Janzing–Schölkopf, Chernozhukov et al., Wager–Athey, Schölkopf et al.;
+
 
-
- объясняй материал сначала интуитивно, затем формально;
+
Подробнее напиши про matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для CATE. Отдельно объясни ограничения causal discovery и почему по обычным наблюдениям не всегда можно определить направление причинности.
-
- не подменяй причинность корреляцией;
+
 
-
- явно указывай предположения и границы применимости каждого метода;
+
Убери лишние общие фразы и проверь источники. Все формулы оформи через &lt;tex&gt; и &lt;/tex&gt;, отдельные формулы начинай с двух двоеточий. Верни статью целиком.
-
- не рекламируй продукты и не используй шаблонные общие фразы;
+
}}
-
- итоговый текст должен быть достаточно подробным для энциклопедической статьи, а не краткой заметки.
+
 
-
</pre>
+
После второго запроса я вручную проверил статью, поправил формулы и ссылки, а также убрал несколько слишком общих формулировок. Отдельно посмотрел, чтобы методы причинного вывода не описывались как работающие без необходимых предположений.
 +
 
 +
[[Участник:Oleg Batsiev|Oleg Batsiev]]

Текущая версия

Статья была сделана с помощью GPT-5.6 Terra High. Первый промпт был такой:


Напиши подробную статью про причинное машинное обучение. Объясни простыми словами, чем обычный прогноз отличается от оценки последствий какого-либо действия.

Расскажи про причинные графы, вмешательства, контрфактические вопросы, конфаундеры и структурные причинные модели. Ещё добавь потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery.

Начни с понятного примера, а потом постепенно переходи к формулам и более сложным методам. Добавь реальные примеры применения, ограничения, внутренние ссылки и нормальные научные источники. Ничего не выдумывай.

Оформи текст в вики-разметке. Формулы пиши через <tex> и </tex>, а перед отдельными формулами ставь два двоеточия.


С первого раза получилось в целом нормально, но не хватало условий, при которых причинный эффект вообще можно оценить. Некоторые практические методы были описаны слишком коротко, а causal discovery выглядел так, будто он может сам восстановить причинные связи из любой таблицы. Ещё надо было поправить оформление формул.

Второй промпт был такой:


Доработай статью. Добавь условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и покажи формулу корректировки.

Подробнее напиши про matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для CATE. Отдельно объясни ограничения causal discovery и почему по обычным наблюдениям не всегда можно определить направление причинности.

Убери лишние общие фразы и проверь источники. Все формулы оформи через <tex> и </tex>, отдельные формулы начинай с двух двоеточий. Верни статью целиком.


После второго запроса я вручную проверил статью, поправил формулы и ссылки, а также убрал несколько слишком общих формулировок. Отдельно посмотрел, чтобы методы причинного вывода не описывались как работающие без необходимых предположений.

Oleg Batsiev

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%9F%D1%80%D0%B8%D1%87%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»
Личные инструменты