Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
 
(1 промежуточная версия не показана)
Строка 1: Строка 1:
-
== Использованные промпты ==
+
== О подготовке статьи ==
-
'''Модель:''' GPT-5.6 Terra High.
+
Статья «Причинное машинное обучение» была подготовлена с помощью '''GPT-5.6 Terra High'''. Я хотел сделать не короткое определение, а нормальную энциклопедическую статью: чтобы студент понял, зачем вообще нужен причинный подход, а человек с опытом в ML нашёл формулы, методы и хорошие источники.
-
=== Промпт 1. Первая версия статьи ===
+
Первый запрос был таким:
-
<pre>
+
{{well|
-
Роль: ты — научный редактор русскоязычной энциклопедии MachineLearning.ru и специалист по причинному выводу, статистике и машинному обучению.
+
Ты хорошо разбираешься в машинном обучении, статистике и причинном выводе. Напиши подробную энциклопедическую статью для MachineLearning.ru про причинное машинное обучение (causal machine learning) на русском языке.
-
Задача: подготовь новую подробную энциклопедическую статью на русском языке «Причинное машинное обучение». Цель статьи — не просто объяснить термин, а создать полезный материал для сообщества MachineLearning.ru: понятный студенту и одновременно содержательный для ML-специалиста.
+
Начни с простой мотивации: почему модель, которая умеет предсказывать, ещё не умеет отвечать на вопрос о последствиях вмешательства. Потом постепенно перейди к более формальной части.
-
Содержание:
+
Объясни разницу между обычным предсказанием, вмешательством и контрфактическим вопросом. Расскажи про причинные графы, структурные причинные модели, конфаундеры, потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery. Покажи, где такие методы реально применяются и какие у них есть ограничения.
-
- объясни различие между предсказанием, интервенцией и контрфактическим вопросом;
+
-
- введи структурные причинные модели, причинные графы, конфаундеры, медиаторы и коллайдеры;
+
-
- опиши потенциальные исходы, ATE, ATT, CATE и ITE;
+
-
- раскрой условия идентификации причинного эффекта и критерий задней двери;
+
-
- опиши рандомизированные эксперименты, propensity score, matching, IPW, двойную устойчивость, double machine learning, причинные леса и causal discovery;
+
-
- покажи связь причинного подхода с обобщением вне распределения, справедливостью алгоритмов и философией ИИ;
+
-
- укажи ограничения методов и типичные ошибки.
+
-
Формат:
+
Статья должна быть понятной студенту, но не примитивной. Добавь внутренние ссылки на связанные статьи, реальные научные источники и список литературы. Не выдумывай факты, результаты исследований, авторов и DOI.
-
- используй вики-разметку MachineLearning.ru;
+
-
- начни с {{well|...}} и добавь {{TOCright}};
+
-
- используй внутренние ссылки на связанные понятия, разделы «См. также», «Примечания» и «Литература»;
+
-
- математические формулы оформляй только через <tex>...</tex>, а выключные формулы — с двойным отступом через ::;
+
-
- источники оформляй сносками <ref> с шаблонами {{книга}} и {{статья}}, а в конце поставь {{примечания}};
+
-
- добавь категорию [[Категория:Искусственный интеллект]].
+
-
Ограничители:
+
Используй обычную вики-разметку MachineLearning.ru. Формулы пиши через &lt;tex&gt; и &lt;/tex&gt;; отдельные формулы выделяй двойным отступом через два двоеточия.
-
- не выдумывай факты, авторов, DOI, источники, результаты экспериментов и численные показатели;
+
}}
-
- не подменяй причинность корреляцией;
+
-
- явно формулируй предположения и границы применимости методов;
+
-
- не пиши шаблонными фразами и не рекламируй продукты;
+
-
- используй проверяемые академические источники.
+
-
</pre>
+
-
=== Промпт 2. Научная и редакторская доработка ===
+
После первого черновика стало понятно, что статью нужно сделать более технической и поправить разметку формул: теги &lt;math&gt; на MachineLearning.ru не работают, здесь нужен синтаксис &lt;tex&gt;.
-
<pre>
+
Поэтому я сделал второй запрос:
-
Отредактируй подготовленную статью «Причинное машинное обучение» как требовательный эксперт MachineLearning.ru.
+
-
Проверь её по пяти критериям:
+
{{well|
-
1. Статья должна сообщать мотивированному читателю нечто небанальное: не ограничиваться определением, а объяснять механизм, ограничения и реальные исследовательские задачи.
+
Статья в целом получилась хорошей, но перепиши и доработай её как научный редактор.
-
2. Она должна быть полезна и новичку, и специалисту: сначала давать интуицию, затем точные определения, формулы, условия идентификации и литературу.
+
-
3. Она должна быть связана с ресурсом: добавь уместные внутренние ссылки, раздел «См. также» и категорию.
+
-
4. Убери признаки шаблонного LLM-текста: повторы, пустые общие фразы, чрезмерные обещания и неподтверждённые утверждения.
+
-
5. Проверь воспроизводимость: все формулы должны использовать <tex>, все сноски — реальные академические источники, а формат должен быть совместим с MachineLearning.ru.
+
-
Особенно проверь:
+
Добавь отдельный раздел про условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и приведи формулу корректировки.
-
- различие P(Y | X=x) и P(Y | do(X=x));
+
-
- корректность определений ATE, ATT, CATE, ITE;
+
-
- условия отсутствия неучтённого смешения и позитивности;
+
-
- корректность формулы back-door adjustment;
+
-
- осторожные формулировки про causal discovery и causal representation learning.
+
-
Верни готовую улучшенную вики-статью целиком, без комментариев вне текста статьи.
+
Расширь раздел про практические методы: matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для оценки CATE. Отдельно и аккуратно объясни, почему causal discovery не может автоматически восстановить направление причинности из любой таблицы наблюдений.
-
</pre>
+
 
 +
Для важных редких терминов указывай английское название в скобках. Не растягивай текст пустыми общими фразами, не рекламируй продукты и не придумывай источники. Оставь текст живым и энциклопедическим, а не похожим на шаблонный ответ нейросети.
 +
 
 +
Проверь всю разметку: вместо &lt;math&gt;...&lt;/math&gt; используй &lt;tex&gt;...&lt;/tex&gt;. Для отдельных формул ставь перед строкой два двоеточия. Верни готовую статью целиком.
 +
}}
 +
 
 +
После этого были исправлены формулы, расширены разделы об идентификации причинного эффекта и современных методах, добавлены внутренние ссылки и научная литература.

Текущая версия

О подготовке статьи

Статья «Причинное машинное обучение» была подготовлена с помощью GPT-5.6 Terra High. Я хотел сделать не короткое определение, а нормальную энциклопедическую статью: чтобы студент понял, зачем вообще нужен причинный подход, а человек с опытом в ML нашёл формулы, методы и хорошие источники.

Первый запрос был таким:


Ты хорошо разбираешься в машинном обучении, статистике и причинном выводе. Напиши подробную энциклопедическую статью для MachineLearning.ru про причинное машинное обучение (causal machine learning) на русском языке.

Начни с простой мотивации: почему модель, которая умеет предсказывать, ещё не умеет отвечать на вопрос о последствиях вмешательства. Потом постепенно перейди к более формальной части.

Объясни разницу между обычным предсказанием, вмешательством и контрфактическим вопросом. Расскажи про причинные графы, структурные причинные модели, конфаундеры, потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery. Покажи, где такие методы реально применяются и какие у них есть ограничения.

Статья должна быть понятной студенту, но не примитивной. Добавь внутренние ссылки на связанные статьи, реальные научные источники и список литературы. Не выдумывай факты, результаты исследований, авторов и DOI.

Используй обычную вики-разметку MachineLearning.ru. Формулы пиши через <tex> и </tex>; отдельные формулы выделяй двойным отступом через два двоеточия.


После первого черновика стало понятно, что статью нужно сделать более технической и поправить разметку формул: теги <math> на MachineLearning.ru не работают, здесь нужен синтаксис <tex>.

Поэтому я сделал второй запрос:


Статья в целом получилась хорошей, но перепиши и доработай её как научный редактор.

Добавь отдельный раздел про условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и приведи формулу корректировки.

Расширь раздел про практические методы: matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для оценки CATE. Отдельно и аккуратно объясни, почему causal discovery не может автоматически восстановить направление причинности из любой таблицы наблюдений.

Для важных редких терминов указывай английское название в скобках. Не растягивай текст пустыми общими фразами, не рекламируй продукты и не придумывай источники. Оставь текст живым и энциклопедическим, а не похожим на шаблонный ответ нейросети.

Проверь всю разметку: вместо <math>...</math> используй <tex>...</tex>. Для отдельных формул ставь перед строкой два двоеточия. Верни готовую статью целиком.


После этого были исправлены формулы, расширены разделы об идентификации причинного эффекта и современных методах, добавлены внутренние ссылки и научная литература.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%9F%D1%80%D0%B8%D1%87%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»