Para las tareas de predicción, realmente no le importa si algo es o no un factor causal o no, solo que es un factor observable .
Si está tratando de predecir los ingresos de alguien, y sabe que es un fumador, lo cual determina que se correlaciona altamente con tener un ingreso más bajo, ¿hace una diferencia si fuman porque son pobres y fumar es un estrés asequible? calmante, o si son pobres porque gastan demasiado en cigarrillos? No, porque su capacidad predictiva es la misma de cualquier manera.
Ahora, podría afirmar que hay otros factores (no necesariamente causas) para fumar que deberíamos considerar. Por ejemplo, una persona rica con depresión puede fumar. En este caso, podemos introducir una nueva función para tener depresión (tal vez tengamos su historial de transacciones y podamos ver que compraron medicamentos para la depresión). Nuevamente, no necesitamos hacer ninguna determinación causal aquí (¿están fumando porque están deprimidos o deprimidos porque no pueden dejar de fumar?), Solo necesitamos saber que los factores están correlacionados.
- ¿Por qué la mayoría de las competencias recientes se centran en el aprendizaje profundo / redes neuronales? ¿No crea esto un desequilibrio en los tipos de problemas que se ofrecen?
- ¿Cuál es la intuición detrás de la fórmula de actualización de peso de Perceptron w = w + yx?
- ¿Cuál es la diferencia entre los datos de entrenamiento y los datos de prueba?
- ¿Cuándo se lanzará sklearn 0.18?
- ¿Cómo se deriva la fórmula lagrangiana para resolver la máquina de vectores de soporte?
Resulta que determinar realmente la causalidad es un problema muy difícil, pero afortunadamente no tenemos que preocuparnos por tareas simples de predicción.
