Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Publicado : Oct 27, 2021
Oct 2021
Probar ? Vale la pena intentarlo. Es importante entender cómo construir esta habilidad. Las empresas deberían implementar esta tecnología en un proyecto que pueda manejar el riesgo.

DoWhy es una biblioteca de Python para realizar inferencia causal y análisis de punta a punta. Aunque los modelos de machine learning pueden hacer predicciones basados en datos fácticos aprovechando la correlación entre variables que estuviesen presente en ese momento, son insuficientes en escenarios en los que tenemos que hacer preguntas del tipo y si y por qué: ¿Y si cambiase una variable? ¿Cuál sería el impacto en el resultado? La inferencia causal es un enfoque para responder a estas preguntas. La inferencia causal estima el efecto causal, es decir, la magnitud en la que un resultado cambiaría si cambiáramos una de sus variables. Este enfoque se utiliza cuando no podemos obtener una respuesta mediante observaciones y recopilando datos mediante pruebas A/B - debido al costo de los experimentos o limitaciones. La biblioteca DoWhy estima el efecto causal basado en un proceso que usa los hechos y datos recopilados con anterioridad, así como las suposiciones que se pueden hacer al conocer el dominio. Utiliza un proceso de cuatro pasos para modelar el gráfico de relaciones causales basado en supuestos, identificando la causa de un resultado, estimando el efecto causal y finalmente desafiando esos supuestos refutando el resultado. Hemos utilizado esta biblioteca con éxito en producción y es una de las bibliotecas más utilizadas en casos de uso de estimación causal.

Radar

Descargar Radar Tecnológico Volumen 25

 

English | Español | Português | 中文

Radar

Mantente informada sobre Tecnología

 

Suscríbete ahora

Visita nuestro archivo para leer los volúmenes anteriores