”), as well as sophisticated method

”), as well as sophisticated methods for drawing causal conclusions from ob‐ servational data. Both experimental and observational methods for causal modeling generally can be viewed as “counterfactual” analysis: they attempt to understand what would be the difference between the situations—which cannot both happen —where the “treatment” event (e.g., showing an advertisement to a particular in‐ dividual) were to happen, and were not to happen. In all cases, a careful data scientist should always include with a causal conclusion the exact assumptions that must be made in order for the causal conclusion to hold (there always are such assumptions—always ask). When undertaking causal mod‐ eling, a business needs to weigh the trade-off of increasing investment to reduce the assumptions made, versus deciding that the conclusions are good enough given the assumptions

Kết quả (Việt) 1:

"), cũng như các phương pháp tinh vi để rút ra kết luận nguyên nhân từ ob‐ servational dữ liệu. Thử nghiệm và quan sát các phương pháp để làm mô hình quan hệ nhân quả nói chung có thể được xem như là "counterfactual" phân tích: họ cố gắng để hiểu điều gì sẽ là sự khác biệt giữa các tình huống — mà cả hai không thể xảy ra — nơi tổ chức sự kiện "điều trị" (ví dụ, Hiển thị một quảng cáo để dividual in‐ cụ thể) đã xảy ra, và đã không xảy ra. Trong mọi trường hợp, một nhà khoa học cẩn thận dữ liệu nên luôn luôn bao gồm với bản kết luận nguyên nhân các giả định chính xác phải được thực hiện để kết luận nguyên nhân để giữ (luôn luôn là như vậy giả — luôn yêu cầu). Khi cam kết quan hệ nhân quả mod‐ Vương, một doanh nghiệp cần phải cân nhắc thương mại-off tăng đầu tư để làm giảm các giả định được thực hiện, so với quyết định kết luận là tốt đủ cho các giả định

Kết quả (Việt) 2:

"), Cũng như các phương pháp tinh vi để rút ra kết luận nguyên nhân từ dữ liệu quan sát servational. Cả hai phương pháp thí nghiệm và quan sát cho mô hình nhân quả nói chung có thể được xem như là phân tích "đối chứng": họ cố gắng để hiểu những gì sẽ là sự khác biệt giữa các tình huống đó không thể vừa xảy ra -where sự "đối xử" sự kiện (ví dụ, cho thấy một quảng cáo cho một đặc biệt là phân biệt trong-) đã xảy ra, và đã không xảy ra. Trong mọi trường hợp, một nhà khoa học dữ liệu cẩn thận nên luôn luôn bao gồm một kết luận nguyên nhân các giả định chính xác mà phải được thực hiện theo thứ tự cho các kết luận nhân quả để giữ (luôn có những giả định, luôn luôn như vậy yêu cầu). Khi nhận nhân quả vào mô hình Eling, một doanh nghiệp cần phải cân nhắc thương mại-off đầu tư ngày càng tăng để giảm các giả định, so với quyết định rằng các kết luận là đủ tốt cho các giả định