关于协变量：我的建议是不要在这个定义上面钻牛角尖，因为“协变量”没有唯一定义，记住什么模型下什么变量可以叫“协变量”即可。
比如，线性回归的自变量可以叫“协变量”，协变量等同于自变量。线性回归模型如果是一个方差分析模型，则“无法控制”的连续变量叫“协变量”。回归模型的分类变量可以叫“因子”，而连续变量可以叫“协变量”。中介效应分析的时候，把关注的自变量叫“自变量”，其它“自变量”叫协变量，当你接着把其它协变量当自变量的时候，开始的自变量又变成了协变量。你看，协变量的叫法根本就不唯一。
我想知道温度对于降水量的影响，但是海拔高度、经纬度、当地湿度等变量也会影响降水量。
那么，在我的研究中，温度就是自变量，降水量是因变量，而海拔高度、经纬度和当地湿度就是协变量。
举个例子，研究教学方法对学生成绩的影响，那么学生本身的成绩水平（入学成绩）就是协变量，研究时需要剔除或控制住协变量的作用，否则结果不一定可靠。
causalinference: 使用Python做因果推断
Python做因果推理
机器学习方法在很多领域都取得了巨大的成功，但大多缺乏可解释性和稳定性。因果推理是一种用于解释性分析的强大建模工具，能支持当前机器学习做出可解释且稳定的推理。
在本次报告中，我们主要围绕因果推断和因果稳定学习进行分享。面向复杂高维大数据，传统因果推断方法面临一下新挑战：(1) 高维和噪声变量，以及 (2) 连续/复杂干预变量。为了应对这些挑战，我们提出了分解表示反事实回归 (DeR-CFR) 模型和生成对抗性去混淆 (GAD) 算法。此外，通过将因果推理与机器学习相结合，我们提出了因果约束的可解释稳定学习，旨在消除复杂数据关联中的虚假关联、甄别因果关联，并利用因果关联指导机器学习，突破传统关联驱动学习的局限，实现可解释的稳定学习。
【讲座时间】
2022年3月14日 19:00
【讲座地点】
钉钉线上（扫二维码）
【讲座流程】
18:45-18:55 签到
18:55-19:00 主持人介绍嘉宾的相关背景
19:00-20:00 况琨老师：因果推断和稳定学习在商业大数据分析中的应用 Application of causal inference and stable learning in business big data analytics
20:00-20:30 陈熹老师参与互动环节
20:30-20:35 活动结束
【嘉宾简介】
况琨
浙江大学计算机学院副教授，博士生导师，人工智能系副主任。2019年获得清华大学计算机科学与技术专业博士学位，2017-2018年访问美国斯坦福大学。获2021年度中国科协青年人才托举工程项目支持，2021年度中国电子学会科学技术奖（科技进步）一等奖，2020年度中国人工智能学会优秀博士学位论文提名奖。主要研究方向包括因果推理、人工智能、因果指导的可信机器学习，关注机器学习的可解释性、稳定性、公平性和可回溯性。在数据挖掘和机器学习领域已发表近40余篇顶级会议和期刊文章，包括KDD、ICML、MM、AAAI、TKDE、TKDD、Engineering等。
【讲座简介】
机器学习方法在很多领域都取得了巨大的成功，但大多缺乏可解释性和稳定性。因果推理是一种用于解释性分析的强大建模工具，能支持当前机器学习做出可解释且稳定的推理。
在本次报告中，我们主要围绕因果推断和因果稳定学习进行分享。面向复杂高维大数据，传统因果推断方法面临一下新挑战：(1) 高维和噪声变量，以及 (2) 连续/复杂干预变量。为了应对这些挑战，我们提出了分解表示反事实回归 (DeR-CFR) 模型和生成对抗性去混淆 (GAD) 算法。此外，通过将因果推理与机器学习相结合，我们提出了因果约束的可解释稳定学习，旨在消除复杂数据关联中的虚假关联、甄别因果关联，并利用因果关联指导机器学习，突破传统关联驱动学习的局限，实现可解释的稳定学习。
标签：机器,变量,关联,学习,因果,自变量 来源： https://www.cnblogs.com/Li-JT/p/16428023.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。