인과추론(Causal Inference) – Backdoor Criterion
왜 필요한가? * Unmeasured Parents, 즉 Graph에서 Parent로 표시되더라도 측정이 안되거나, 관측이 안된 Parent가 있을 것이라고 할 때 대체가능한 조정가능 데이터셋( Alternative Set of variables
Tag
Data
인과추론(Causal Inference) – Intervention
Intervention * 통계학 연구의 궁극적인 목적은 개입(Intervention)의 효과를 예측하는 것 * RCT에서는 결과에 영향을 줄 수 있는 요인 단하나만 제외하고 다른 요인은 고정하거나 랜덤하도록
인과추론(Causal Inference) – Collider
Collider * Z는 X,Y의 공통 효과(Common Effect)이다. * Z가 조건부로 주어졌을 때 X와 Y는 의존적일 가능성이 있다. * Z = X+Y라고 할 때 Z값이
인과추론(Causal Inference) - Chain & Fork
Disclaimer * 본인이 공부하고 본인이 이해한만큼만 정리되어 있으니 질답 및 태클은 언제든지 환영합니다. Data & Graph * 구조적 인과 모델(Structural Casual Model)이란 변수들 간의
매일 사용할지 모르는 간단한 인과추론 방식에 대해서(Confounder)
Confounder * 수치 비교할 때 통상 문제를 일으키는 변수가 있다. → Confounder 변수라고 한다. * X → Y 라는 인과관계를 판단하고 싶을 때 X,Y에 모두 영향을 미치는
Facebook - Prophet
Prophet? * Facebook에서 만든 시계열 데이터의 예측을 위한 패키지 * 전통적 시계열 모델의 경우 데이터가 정상성(Stationary)을 만족해야지 사용할 수 있으나, Prophet은 이런 것을 고민할
Gradient Boosting Decision Tree Algorithm
앙상블 모델이란? * 주로 모델을 융합하는 전략과 방법을 통칭해서 말함 → 대표적으로 배깅과 부스팅이 있음 * 부스팅의 기본적인 컨셉은 분류기를 연달아 직렬적으로 연결해서 기존 층서 잘못 분류한
SQL로 For Loop(For문/반복작업) 구현하기
1.왜 이게 필요했을까? * 여러 언어를 오고가면서 분석작업을 진행할 때가 많은데, * 가끔은 SQL로만 하고 싶을 때가 있고, 그 때마다 문제가 되었던 부분 중 하나가
Interpretable Machine Learning – A Brief History, State-of-the-Art and Challenges ?
Abstract 원문 We present a brief history of the field of interpretable machine learning (IML), give an overview of state-of-the-art interpretation
[7.5/10]데이터를 활용하고 해석하는 역량, 데이터 리터러시
첫인상 데이터 리터러시라는 것, 데이터를 활용하고 해석하는 역량은 매우 중요하다. 하지만 이미 이 업계에 나름 상당량의 시간을 보낸 나로서는 데이터 리터러시를 어떠한 프레임으로 설명할지
데이터 분석시 데이터간 거리를 측정하는 9가지 방법에 대해서
거리 측정방식은 생각보다 다양하다. * 어떤 방식을 언제 써야 하는지 아는 것은 기본이다. * 이 것보다 더 많은 측정 방식이 있지만, 우선 숙지를 위해서 요약 및
[책]8.5/10, 숫자에 약한 사람들을 위한 통계학 수업
한 줄평 * 통계에 대한 하나의 에세이를 읽는 것 같은 좋은 책 책을 되짚어 보기 위한 질문들 책에 대해 가장 좋았던 부분들 * 원서 기준 “통계의