Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
 
(4 промежуточные версии не показаны)
Строка 1: Строка 1:
-
== О подготовке статьи ==
+
Статья была сделана с помощью '''GPT-5.6 Terra High'''. Первый промпт был такой:
-
 
+
-
Статья «Причинное машинное обучение» подготовлена с помощью LLM '''GPT-5.6 Terra High'''. Цель состояла в том, чтобы создать не краткую заметку, а связанную энциклопедическую статью о методах причинного вывода в машинном обучении: понятную студенту, но содержащую формальные определения, формулы, ограничения и научную литературу.
+
-
 
+
-
Первый промпт к GPT-5.6 Terra High был таким:
+
{{well|
{{well|
-
Ты специалист в области машинного обучения, причинного вывода, статистики и философии искусственного интеллекта. Подготовь на русском языке подробную энциклопедическую статью для MachineLearning.ru под названием «Причинное машинное обучение» (англ. causal machine learning).
+
Напиши подробную статью про причинное машинное обучение. Объясни простыми словами, чем обычный прогноз отличается от оценки последствий какого-либо действия.
-
Целевая аудитория — студенты, начинающие специалисты по анализу данных и инженеры в области машинного обучения. Статья должна быть понятна с первых разделов, но не упрощать важные технические детали. Сначала объясни мотивацию: почему статистическая связь не равна причинности. Затем постепенно введи формальные понятия и методы.
+
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.
-
Обязательно раскрой различие между предиктивной вероятностью P(Y | X=x), интервенцией P(Y | do(X=x)) и контрфактическим вопросом; структурные причинные модели и ориентированные причинные графы; конфаундеры, медиаторы и коллайдеры; модель потенциальных исходов Y(1) и Y(0); ATE, ATT, CATE и ITE; условия идентификации, критерий задней двери, propensity score, IPW, double machine learning, причинные леса, causal discovery и causal representation learning.
+
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.
-
Добавь историческую и философскую мотивацию, практические применения, ограничения и типичные ошибки. Покажи связь причинного машинного обучения с A/B-тестированием, обобщением вне распределения, объяснимостью и алгоритмической справедливостью.
+
Оформи текст в вики-разметке. Формулы пиши через <tex> и </tex>, а перед отдельными формулами ставь два двоеточия.
-
 
+
-
Не выдумывай факты, авторов, DOI, результаты исследований или источники. Используй надёжную академическую литературу и ссылайся на неё в тексте. Важные понятия оформляй как внутренние ссылки MachineLearning.ru. Используй структуру разделов, принятую для энциклопедических статей.
+
}}
}}
-
После первой версии были вручную проверены логика структуры, терминология, математические обозначения и список литературы. Обнаружилась техническая проблема: движок MachineLearning.ru не поддерживает теги <math></math>, используемые в Википедии. Согласно [[MachineLearning:Инструктаж|инструктажу]], на этом ресурсе формулы нужно записывать через <tex></tex>.
+
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.
-
Также в статье потребовалось усилить техническую часть: добавить условия идентификации причинного эффекта, формулу корректировки по критерию задней двери, оценку через обратные вероятности назначения вмешательства, double machine learning, причинные леса и ограничения causal discovery.
+
Второй промпт был такой:
-
 
+
-
Поэтому был сделан второй промпт:
+
{{well|
{{well|
-
Очень хорошо. Перепиши и отредактируй текст статьи «Причинное машинное обучение», сохранив сильные стороны первой версии, но внеси следующие исправления и дополнения.
+
Доработай статью. Добавь условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и покажи формулу корректировки.
-
1. Все математические формулы оформляй только через <tex> и </tex>. Не используй <math> и </math>. Выключные формулы оформляй двойным отступом через ::.
+
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.
-
2. Добавь отдельный раздел «Условия идентификации» с согласованностью, отсутствием неучтённого смешения, позитивностью, отсутствием интерференции и критерием задней двери.
+
 
-
3. Приведи формулу back-door adjustment и формулу оценки эффекта через inverse probability weighting. Объясни, при каких предположениях они применимы.
+
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.
-
4. Расширь раздел о методах: matching, propensity score, IPW, двойная устойчивость, double machine learning и причинные леса для CATE.
+
-
5. Добавь аккуратный раздел о causal discovery: объясни, почему направление связи нельзя автоматически восстановить из произвольных наблюдательных данных.
+
-
6. Для важных и редких терминов указывай в скобках исходный английский термин.
+
-
7. Проверь, что нет шаблонных фраз, рекламных утверждений, неподтверждённых чисел и выдуманных источников.
+
-
8. Не изобретай несуществующие вики-шаблоны и не вставляй шаблоны вида {{...}} в основной текст. Заголовочное предупреждение о модели, TOCright и категорию редактор добавляет отдельно.
+
-
9. Сохрани баланс: статья должна быть интересна мотивированному читателю, понятна новичку, полезна специалисту и выглядеть как текст эксперта, а не как сырой ответ LLM.
+
-
10. Верни готовую статью целиком в вики-разметке MachineLearning.ru.
+
}}
}}
-
Итоговый текст был дополнительно проверен перед публикацией: проверены вики-разметка формул, наличие внутренних ссылок, категория, сноски и библиография. В статье использованы работы Pearl, Hernán и Robins, Peters–Janzing–Schölkopf, Chernozhukov et al., Wager–Athey и Schölkopf et al.
+
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