![](https://img-blog.csdnimg.cn/202109201857352.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
Causality
文章平均质量分 76
因果推断学习笔记
whtli
这个作者很懒,什么都没留下…
展开
-
Estimating High-Dimensional Directed Acyclic Graphs with the PC-Algorithm
PC算法是经典的贝叶斯网络结构学习算法。本文阐述了使用PC算法用于估计具有相应高斯分布的高维有向无环图(DAG)的骨架和等价类。 对于有许多节点(变量)的稀疏问题,PC算法在计算上是可行的,而且往往非常快,它具有吸引人的特性,可以自动实现高计算效率,作为真实底层DAG的稀疏程度的函数。文章还演示了模拟数据的PC算法。原创 2022-10-28 20:52:12 · 792 阅读 · 0 评论 -
CGNN复现遇到的问题及解决办法(持续更新中)
论文:Causal Generative Neural Networks1、运行报错12021-11-16 19:28:00.643168: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library ‘cudart64_110.dll’; dlerror: cudart64_110.dll not found2021-11-16 19:28:00.643407: .原创 2021-12-03 22:33:34 · 1687 阅读 · 3 评论 -
graphviz.backend.ExecutableNotFound: failed to execute ‘dot‘Python使用Graphviz绘图报错解决
使用python的Graphviz包绘图报错问题解决最后要重启P有Charm才能正常绘图。1、报错报错信息如下:graphviz.backend.ExecutableNotFound: failed to execute 'dot'make sure the Graphviz executables are on your systems' PATH2、确定变量类型程序打印使用Graphviz绘制的变量数据类型打印结果显示,想要绘制的图形类型是<class ‘graphviz.d原创 2021-10-07 20:52:14 · 3322 阅读 · 1 评论 -
《The Book of Why》 — Chapter10
第十章 大数据,人工智能和大问题CHAPTER 10 — Big Data, Artificial Intelligence, and the Big Questions借助贝叶斯网络,教会了机器在灰色地带进行思考,这是贝叶斯网络迈向强人工智能的重要一步。但目前仍无法教会机器理解事情的前因后果。(323)因果革命的星火逐渐覆盖包括流行病学、心理学、遗传学、生态学、地质学、气候科学等在内的多个专业领域。(324)因果模型与大数据因果问题从来不能单靠数据来回答,他要求我们构建关于数据生成原创 2021-09-20 19:52:37 · 129 阅读 · 0 评论 -
《The Book of Why》 — Chapter9
《The Book of Why》 — Chapter9第九章 中介:寻找蕴藏的作用机制CHAPTER 9 — Mediation: The Search for a Mechanism关于中介物,一个典型的问题是:他是否可以解释全部结果?(276)总效应、直接效应(不通过中介物)、间接效应(通过中介物)(276)“中介”使我们能够(更经常地从匮乏的数据中)量化由任何期望路径介导的效应的比例。(276)因果革命提供了一套明确而简单的规则,用以量化一个给定效应中直接效应和间接效应所占的比例。原创 2021-09-20 19:51:19 · 787 阅读 · 0 评论 -
《The Book of Why》 — Chapter8
《The Book of Why》 — Chapter8第八章 反事实:探索关于假如的世界CHAPTER 8 Counterfactuals: Mining Worlds That Could Have Been我们已经见识了几种方法,可以用于在各种情景设定和条件下确定干预的效果。在第四章我们讨论了随机对照试验,他被誉为医学临床试验的黄金标准,我们还看到了一些适用于观察性研究的方法,其中处理组和对照组的成员不是随机分配的。对此,如果我们可以采集到能够阻断所有后门路径的变量集的数据,我们就可以使原创 2021-09-20 19:47:07 · 182 阅读 · 0 评论 -
《The Book of Why》 — Chapter7
第七章 超越统计调整:征服干预之峰CHAPTER 7 — Beyond Adjustment: The Conquest of Mount Intervention因果之梯的第二层:对未尝试过的行动和策略的效果进行预测。混杂因子是导致我们预测混淆的主要障碍。在用“路径阻断”工具和后门标准消除这一障碍后,就能精确而系统地绘制出登上干预之峰地路线图。(路径阻断工具是d-separation)(195)do演算允许研究者探索并绘制出通往干预之峰的所有可能的路线。(195)最简单的路线:后门调整公原创 2021-09-20 19:46:21 · 890 阅读 · 0 评论 -
《The Book of Why》 — Chapter6
《The Book of Why》 — Chapter6第六章 大量的悖论⭐(实例)CHAPTER 6 — Paradoxes Galore!出生体重悖论反映了因果关系和相关关系之间的张力,这种张力源自于二者处于因果关系之梯的两个不同层级上,又因为人类的直觉在因果逻辑下运作而数据遵从的则是概率和比例的逻辑而进一步加剧。(165)当我们在一个领域所学到的规则误用到其他的领域时,悖论就出现了。(165)因果悖论突出强调了直觉性的因果推理模式与概率统计逻辑相冲突的地方。(165)令人费解的“蒙原创 2021-09-20 19:42:54 · 306 阅读 · 0 评论 -
《The Book of Why》 — Chapter5
第五章 烟雾缭绕的争论:消除迷雾,澄清事实CHAPTER 5 — The Smoke-Filled Debate: Clearing the Air时间序列对于因果关系的证明来说是一种非常糟糕的证据。(147)因果图的美在于它让偏倚的源头变得显而易见。(159)《THE BOOK OF WHY: THE NEW SCIENCE OF CAUSE AND EFFECT》——JUDEA PEARL AND DANA MACKENZIE...原创 2021-09-20 19:39:15 · 153 阅读 · 0 评论 -
《The Book of Why》 — Chapter4
第四章 混杂和去混杂:或者,消灭潜伏变量CHAPTER 4 — Confounding and Deconfounding: Or, Slaying the Lurking Variable当一个变量同时影响到选择接受处理的对象以及实验结果时,混杂偏倚就产生了。(115)⭐如上图所示,位于叉接合中心的变量Z就是X和Y的混杂因子。真正的因果效应X->Y与由叉接合X<-Z->Y诱导的X和Y之间的伪相关混合在一起。(115)本章的目标之一就是从因果图的角度来解释,为什原创 2021-09-20 19:38:16 · 293 阅读 · 0 评论 -
《The Book of Why》 — Chapter3
第三章 从证据到因:当贝叶斯牧师遇见福尔摩斯先生CHAPTER 3 — From Evidence to Causes: Reverend Bayes Meets Mr. Holmes电脑侦探波拿巴贝叶斯网络与因果图的关系很简单:因果图就是一个贝叶斯网络,其中的每个箭头都表示一个直接的因果关系,或者至少表明了存在某个因果关系的可能性。反过来,并不是所有的贝叶斯网络都是因果关系网络。而在很多实际应用中这一点并不重要。(75)贝叶斯牧师与逆概率问题贝叶斯的理论表明可以从一个果推断某个因的概原创 2021-09-20 19:29:48 · 204 阅读 · 0 评论 -
《The Book of Why》 — Chapter2
第二章 从海盗到豚鼠:因果推断的起源CHAPTER 2 — From Buccaneers to Guinea Pigs: The Genesis of Causal Inference高尔顿和被丢弃的探索皮尔逊:狂热者的愤怒使用因果透镜可知在某些情况下,正确的分析只能来自于聚合数据而非来自分组数据。因果推断的逻辑能够在事实上告诉我们应该信任哪个结果。(50)休厄尔·赖特首次建立了一套根据数据回答因果关系的数学方法,被称为路径图或者路径分析。赖特首次证明了“相关关系不等于因果关系”这个判定应原创 2021-09-20 19:21:01 · 181 阅读 · 0 评论 -
《The Book of Why》 — Introduction & Chapter1
序言因果革命最重要的成果之一就是解释了如何在不实际实施干预的情况下预测干预效果。如果拥有一个因果模型,就可以在大部分情况下从未经干预处理的数据中预测干预的效果了。(XVI)“反事实的算法化”是因果革命的另一项宝贵的成果。(XVII)因果推断引擎是一种问题处理机器,他接收三种不同的输入——假设、问题、数据。(XVIII)以因果模型的路径来表示变量之间的听从模式通常会导向数据中某种显而易见的模式或相关关系(也被称为可被验证的蕴涵),将D和L之间没有连接路径翻译成统计学语言,就是D和L相互独立,也就是说原创 2021-09-20 19:15:33 · 297 阅读 · 0 评论