Ai2 인과추론에서 머신러닝이 필요한 이유 최근, 인과추론에 Tree 계열이나 Neural Network 모델 같은 복잡한 머신러닝 모델을 활용하고 있습니다 (보통 Tree 모델을 많이 사용). 이렇듯 인과추론에 머신러닝 모델을 활용하는 이유는 뭘까요? 바로, CATE(Conditional Average Treatment Effect)를 계산하기 위함입니다. CATE란 샘플 특성에 따른 Treatment Effect인데요, 현실에선 모든 샘플이 같은 효과를 가지기 보단, 샘플 특성에 따라 효과가 달라지는 경우가 많습니다. 예를들어, A신약은 고연령층 남성에게 더 효과적일 수 있고, 특정 마케팅은 10대 라이트 유저에게 효과적일 수 있습니다. CATE는 ATE에 숨겨진 더 많은 인사이트를 제공하고, 이를 마케팅 등에 유용하게 활용할 수 있습니다. .. 2023. 8. 23. [논문 리뷰] TabNet: Attentive Interpretable Tabular Learning Introduction tabular data 학습에 최적인 deep neural network 모델 neural network 구조를 decision-tree와 같이 만들어서 사용 neural network가 tree-based 모델보다 나은점 성능 향상 end-to-end 방법 사용 가능 tabular 형태 외에 다른 데이터(이미지/텍스트)와 결합 가능 streaming data에도 사용 가능(tree-based model은 global data가 아닌 streaming data를 사용하면 성능이 하락함) semi-supervised learning을 사용할 수 있음 Tabnet 특징 : the soft feature selection ability into a sequential attention-.. 2023. 7. 3. 이전 1 다음