Чем causal inference отличается от классического ML?

Causal inference (каузальное вывод) и классический машинный learning (ML) решают разные задачи. Классический ML фокусируется на выявлении корреляций и построении моделей для предсказания на основе данных, без обязательного понимания причинно-следственных связей. Он отвечает на вопрос "что произойдет, если?" на основе наблюдений.

Causal inference же направлен на выявление и оценку причинно-следственных эффектов, то есть понимание, как изменение одной переменной влияет на другую, учитывая возможные конфаундеры и скрытые факторы. Это важно, когда нужно делать выводы о причинности, например, в медицине или экономике.

Основные отличия:

• ML строит модели для предсказания, causal inference — для объяснения причин.
• ML использует корреляции, causal inference требует дополнительных предположений и методов (например, инструментальные переменные, рандомизированные контролируемые испытания).

Пример: ML может предсказать вероятность заболевания на основе симптомов, а causal inference поможет понять, влияет ли конкретное лечение на выздоровление.