na las causas y efectos de los eventos y fenómenos del mundo real. Con esta herramienta, los usuarios pueden desarrollar hipótesis causales y corroborarlas utilizando técnicas estadísticas avanzadas.
Registro de cambios
Para cada actualización, actualizamos esta página con un resumen de los cambios significativos recientes en RATH, incluyendo una marca de tiempo para la fecha de actualización.
Consulte el archivo CHANGELOG.md (opens in a new tab) en nuestro GitHub para obtener un registro completo de todas las versiones anteriores.
17 de febrero de 2023.
- Se agregó soporte para BigQuery y Snowflake como fuente de datos.
- Se agregó un README para pygwalker, que le permite utilizar Graphic Walker dentro de Python Jupyter Notebook.
21 de diciembre de 2022.
Para la última actualización, RATH presenta una herramienta increíblemente poderosa para el Análisis Causal.
El análisis causal se puede definir como la manera de identificar y examinar las causas y efectos de los eventos y fenómenos del mundo real. Con esta herramienta, los usuarios pueden desarrollar hipótesis causales y corroborarlas utilizando técnicas estadísticas avanzadas.La actualización del análisis causal de RATH incluye las siguientes características clave:
- Descubrimiento causal: genera automáticamente modelos causales a partir de un conjunto de datos.
- Edite sus modelos causales gráficos en un editor e introduzca conocimientos previos definidos para RATH.
- Examine y verifique su hipótesis.
- Combine herramientas de EDA (Análisis de datos exploratorios) para explorar su modelo causal.
- Utilice la visualización interactiva para ayudarlo a entender los efectos causales.
- Implante modelos de aprendizaje automático basados en causas y pruebe estrategias para sus modelos causales.
- Edite manualmente los gráficos de relaciones para modelos de análisis causal.
- Realice análisis causales de tipo ¿qué pasaría si?
Para obtener más instrucciones sobre cómo realizar el análisis causal con RATH, consulte el capítulo de Análisis causal.