# Podwójne uczenie maszynowe (DML)

EN: **Double/debiased machine learning (DML)** · id `doubleml` · aliases: double machine learning, debiased machine learning, DML, orthogonal machine learning

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Fundamenty i rozumowanie](https://aiatlasgraph.com/t/foundations.md) › [Modele probabilistyczne](https://aiatlasgraph.com/t/probabilistic.md) › [Wnioskowanie przyczynowe](https://aiatlasgraph.com/t/causalinference.md) › Podwójne uczenie maszynowe (DML)

## Description

- PL: Estymacja niskowymiarowego parametru przyczynowego przy wysokowymiarowych zakłócaczach z użyciem ortogonalnych funkcji wyniku i cross-fittingu.
- EN: Estimating a low-dimensional causal parameter under high-dimensional confounding using orthogonal scores and cross-fitting.

## In one sentence

- PL: Sposób, by użyć elastycznych modeli uczenia maszynowego do mierzenia skutku i przy tym go nie zniekształcić.
- EN: A way to use flexible machine-learning models to measure an effect without distorting it in the process.

## Problem it solves

- PL: Gdy cech są setki, zwykła regresja zawodzi, a modele uczenia maszynowego dobrze przewidują, lecz zniekształcają szacunek skutku.
- EN: With hundreds of features ordinary regression struggles, while machine-learning models predict well but distort the effect estimate.

## What it does

- PL: Dwa modele najpierw usuwają z wyniku i z decyzji to, co da się przewidzieć z cech; z resztek liczy się czysty efekt.
- EN: Two models first strip from the outcome and the decision whatever the features can predict; the clean effect is computed from what remains.

## Everyday example

- PL: Sklep chce wiedzieć, jak rabat wpływa na sprzedaż, choć rabaty dawano zależnie od pogody, dnia tygodnia i setek innych czynników.
- EN: A shop wants to know how discounts affect sales, although discounts were given depending on weather, weekday and hundreds of other factors.

## This concerns you if you…

- PL: masz bardzo dużo zmiennych kontrolnych
- PL: znasz uczenie maszynowe i chcesz mierzyć skutki, nie tylko przewidywać
- EN: have a great many control variables
- EN: know machine learning and want to measure effects, not just predict

## Keywords

Neyman orthogonality · cross-fitting · partialling out · partially linear model · DoubleML · EconML · AIPW · R-learner

## How it works

- PL: Funkcje uciążliwe – przewidywanie wyniku E[Y|X] i interwencji E[T|X] – szacuje się dowolnymi modelami ML. Efekt liczy się z reszt przez funkcję wyniku ortogonalną w sensie Neymana, mało wrażliwą na błędy tych modeli; cross-fitting dopasowuje je na innych częściach danych niż ta do estymacji efektu, usuwając błąd przeuczenia. Daje to estymator asymptotycznie normalny z poprawnymi przedziałami ufności.
- EN: Nuisance functions – predicting the outcome E[Y|X] and the treatment E[T|X] – are fitted with any ML models. The effect is computed from residuals via a Neyman-orthogonal score insensitive to their errors; cross-fitting fits them on different data folds than those used for the effect, removing overfitting bias. The result is asymptotically normal with valid confidence intervals.

## Limits

- PL: Nie usuwa błędu od niezmierzonych zakłócaczy: wciąż wymaga nieuwikłania i nakładania grup. Gwarancje są asymptotyczne; przy małych próbach i słabym nakładaniu wyniki bywają niestabilne. Jakość zależy od modeli pomocniczych, a wynik od losowego podziału na części.
- EN: It does not remove bias from unmeasured confounders: unconfoundedness and overlap are still required. Guarantees are asymptotic; small samples and weak overlap make results unstable. Quality depends on the nuisance models and results on the random fold split.

## Key terms

- PL: **funkcja uciążliwa (nuisance)**: Pomocniczy model potrzebny tylko do oczyszczenia danych.
- PL: **cross-fitting**: Dopasowanie modeli pomocniczych na innej części danych niż ta do oceny.
- PL: **ortogonalność**: Mała wrażliwość wyniku na drobne błędy modeli pomocniczych.
- EN: **nuisance function**: A helper model needed only to clean the data.
- EN: **cross-fitting**: Fitting helper models on a different data part than used for estimation.
- EN: **orthogonality**: Low sensitivity of the estimate to small helper-model errors.

## Know first

- [Walidacja krzyżowa (Cross-validation)](https://aiatlasgraph.com/t/crossval.md)
- [Wynik skłonności: dopasowanie i ważenie (propensity score) (Propensity score matching and weighting)](https://aiatlasgraph.com/t/propensityscore.md)

## Related topics

Untyped, symmetric "see also" links.

- [Modelowanie uplift i efekty heterogeniczne (Uplift modelling and heterogeneous treatment effects)](https://aiatlasgraph.com/t/upliftmodeling.md)

## Sources

- [Double/Debiased Machine Learning for Treatment and Structural Parameters](<https://arxiv.org/abs/1608.00060>) `chernozhukov-dml-2018` · by Victor Chernozhukov, Denis Chetverikov, Mert Demirer, Esther Duflo, Christian Hansen, Whitney Newey, James Robins
- [DoWhy (PyWhy) – causal inference library repository](<https://github.com/py-why/dowhy>) `pywhy-dowhy-repo` · by PyWhy contributors

---

AI Atlas revision 131 (2026-11-07) · HTML: https://aiatlasgraph.com/t/doubleml · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-07