데알못정을

Introduction많은 응용 분야에서, 우리는 treatment의 인과 효과에 대한 추론을 그려내는데 데이터를 사용하고 싶다. 예를 들어 건강 결과들에 약물이 미치는 영향에 대한 의학 연구나 광고나 마케팅이 고객 구매에 미치는 영향, 또 정부 프로그램, 공공 정책의 효과성 평가 같은 것들이 있다. 기술 회사에서 자주 사용되는 A/B test 또한 예시 중 하나이다. 역사적으로, 데이터셋이 너무 작아서 샘플을 몇 개의 하위 그룹으로 나누는 것 이상으로 치료 효과의 이질성을 탐색하기에는 부족했다. 여기서 말하는 치료 효과의 이질성 (heterogenity of treatment effects)란 같은 treatment 라도, 사람에 따라 효과가 다르게 나타나는 성질로, 단순히 남/녀, 젊은/나이 든 사람..

본 포스팅은  Feuerriegel, Stefan, et al. "Causal machine learning for predicting treatment outcomes." Nature Medicine 30.4 (2024): 958-968.를 읽고 정리한 글임을 밝힙니다. causal ML in medicine은 치료로 인한 환자 결과의 변화와 같은 인과 관계를 예측하는 것을 목표로 한다. causal ML은 RCT(Randomized Controlled Trials)를 통해 얻은 실험 데이터와 임상 등록, 전자 건강 기록 및 기타 RWD(Real-World Data) 소스에서 얻은 관찰 데이터를 모두 사용하여 치료 효과를 추정하고 임상적 증거를 생성하는 데 사용될 수 있다.causal ML의 핵심 강점..

https://medium.com/@karanbhutani477/the-causal-revolution-in-machine-learning-moving-beyond-correlation-to-causation-07c4531c2cc0 The Causal Revolution in Machine Learning: Moving Beyond Correlation to CausationCausal Machine Learning (Causal ML) represents a fundamental shift in how we approach artificial intelligence, moving beyond simple pattern…medium.com위 블로그를 읽고 정리한 글임을 밝힙니다. 인과적 머신러닝의 이해인..