Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
 
(5 промежуточных версий не показаны.)
Строка 1: Строка 1:
-
== Использованные промпты ==
+
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.
-
=== Промпт 1. Первая версия статьи ===
+
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.
-
<pre>
+
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.
-
Роль: ты — научный редактор русскоязычной энциклопедии MachineLearning.ru и специалист по причинному выводу, статистике и машинному обучению.
+
-
Задача: подготовь новую подробную энциклопедическую статью на русском языке «Причинное машинное обучение». Цель статьи — не просто объяснить термин, а создать полезный материал для сообщества MachineLearning.ru: понятный студенту и одновременно содержательный для ML-специалиста.
+
Оформи текст в вики-разметке. Формулы пиши через &lt;tex&gt; и &lt;/tex&gt;, а перед отдельными формулами ставь два двоеточия.
 +
}}
-
Содержание:
+
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.
-
- объясни различие между предсказанием, интервенцией и контрфактическим вопросом;
+
-
- введи структурные причинные модели, причинные графы, конфаундеры, медиаторы и коллайдеры;
+
-
- опиши потенциальные исходы, ATE, ATT, CATE и ITE;
+
-
- раскрой условия идентификации причинного эффекта и критерий задней двери;
+
-
- опиши рандомизированные эксперименты, propensity score, matching, IPW, двойную устойчивость, double machine learning, причинные леса и causal discovery;
+
-
- покажи связь причинного подхода с обобщением вне распределения, справедливостью алгоритмов и философией ИИ;
+
-
- укажи ограничения методов и типичные ошибки.
+
-
Формат:
+
Второй промпт был такой:
-
- используй вики-разметку MachineLearning.ru;
+
-
- начни с {{well|...}} и добавь {{TOCright}};
+
-
- используй внутренние ссылки на связанные понятия, разделы «См. также», «Примечания» и «Литература»;
+
-
- математические формулы оформляй только через <tex>...</tex>, а выключные формулы — с двойным отступом через ::;
+
-
- источники оформляй сносками <ref> с шаблонами {{книга}} и {{статья}}, а в конце поставь {{примечания}};
+
-
- добавь категорию [[Категория:Искусственный интеллект]].
+
-
Ограничители:
+
{{well|
-
- не выдумывай факты, авторов, DOI, источники, результаты экспериментов и численные показатели;
+
Доработай статью. Добавь условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и покажи формулу корректировки.
-
- не подменяй причинность корреляцией;
+
-
- явно формулируй предположения и границы применимости методов;
+
-
- не пиши шаблонными фразами и не рекламируй продукты;
+
-
- используй проверяемые академические источники.
+
-
</pre>
+
-
=== Промпт 2. Научная и редакторская доработка ===
+
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.
-
<pre>
+
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.
-
Отредактируй подготовленную статью «Причинное машинное обучение» как требовательный эксперт MachineLearning.ru.
+
}}
-
Проверь её по пяти критериям:
+
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.
-
1. Статья должна сообщать мотивированному читателю нечто небанальное: не ограничиваться определением, а объяснять механизм, ограничения и реальные исследовательские задачи.
+
-
2. Она должна быть полезна и новичку, и специалисту: сначала давать интуицию, затем точные определения, формулы, условия идентификации и литературу.
+
-
3. Она должна быть связана с ресурсом: добавь уместные внутренние ссылки, раздел «См. также» и категорию.
+
-
4. Убери признаки шаблонного LLM-текста: повторы, пустые общие фразы, чрезмерные обещания и неподтверждённые утверждения.
+
-
5. Проверь воспроизводимость: все формулы должны использовать <tex>, все сноски — реальные академические источники, а формат должен быть совместим с MachineLearning.ru.
+
-
Особенно проверь:
+
[[Участник:Oleg Batsiev|Oleg Batsiev]]
-
- различие P(Y | X=x) и P(Y | do(X=x));
+
-
- корректность определений ATE, ATT, CATE, ITE;
+
-
- условия отсутствия неучтённого смешения и позитивности;
+
-
- корректность формулы back-door adjustment;
+
-
- осторожные формулировки про causal discovery и causal representation learning.
+
-
 
+
-
Верни готовую улучшенную вики-статью целиком, без комментариев вне текста статьи.
+
-
</pre>
+

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