Los datos no compensan las suposiciones—Judea Pearl
Aplicar o no aplicar, esa es la cuestión.
El razonamiento causal eleva los resultados predictivos al pasar de “qué pasó” a “¿Qué pasaría si“. Sin embargo, implementar la causalidad puede ser un desafío o incluso inviable en algunos contextos. Este artículo explora cómo el mismo acto de evaluando su aplicabilidad es valioso por derecho propio ya que puede mejorar el rigor científico de sus proyectos.
Los puntos principales que se pueden aprender de esta suave introducción a la causalidad son:
- Aplicable o no, evaluar la idoneidad de la causalidad es bueno para la higiene mental.
- Al aplicar el razonamiento causal mejorarás el rigor científico de tus soluciones porque tendrás herramientas para articular los problemas.
- Modelos causales Son ayudas visuales para una comprensión más profunda de los mecanismos.
- Identificabilidad Es un marco para evaluar la aplicabilidad de preguntas causales específicas.
Este artículo está dirigido a científicos de datos en ejercicio y aspirantes, ingenieros de aprendizaje automático, analistas y otros profesionales interesados…