mckinsey/causalnex
A Python library that helps data scientists to infer causation rather than observing correlation.
何を解決するか
CausalNex は、因果推論と「もし～なら」分析を簡素化します。データサイエンティストが因果構造を学習し、ドメイン知識を組み込み、データを使って介入の影響を推定するために複数のライブラリを必要とする問題に対処します。
どう動くか
このツールキットはベイジアンネットワークを使用して、データ内の因果関係を特定します。単なるパターン認識や相関関係を超えて、最新の手法を使ってデータから因果構造を学習し、ドメイン知識を手動で拡張し、ネットワークに確率分布を適合させます。モデルが構築されると、ユーザーは反事実分析を行い、Do-計算を用いて介入の影響を分析できます。
対象ユーザー
相関に基づく機械学習から因果推論へ移行し、ビジネスや技術的問題に対する適切な介入を特定したいデータサイエンティストやアナリスト。
特徴
- 最先端の構造学習手法を内蔵し、条件付き依存関係を理解可能
- グラフモデルにドメイン知識を直接エンコード・拡張可能
- 介入の影響を分析するための Do-計算をサポート
- 因果関係の理解を簡素化するための組み込み可視化ツール
- 確率分布の適合と統計的検証によるモデル品質評価のためのツール
関連
- プロジェクト
erdogant/bnlearnbnlearn は、ベイジアンネットワークの構造学習、パラメータ推定、クエリ処理を行うPythonライブラリです。構造発見（さまざまなスコアと探索手法）、CPT推定、因果推論（do-計算）、合成データ生成、可視化をサポートし、シンプルなAPIで統合されています。
- プロジェクト
cdt15/lingam変数間の因果関係を特定するための、線形非ガウス非循環モデルを推定するPythonライブラリです。
- プロジェクト
pgmpy/pgmpyグラフィカルモデルを用いた因果的・確率的推論のためのPythonライブラリ。モデル構造の学習、パラメータ推定、因果推論のためのツールを提供します。
- プロジェクト
uber/causalmlCausalMLは、UberのオープンソースPythonライブラリで、アップリフトモデリングと因果推論に使用されます。個別レベルの治療効果（CATE）を推定するための統一APIを提供し、最新のアルゴリズムを多数含み、ベンチマークデータセットも備えています。また、キャンペーンターゲティングやパーソナライズドレコメンデーションのユースケース向けに、豊富なドキュメントとチュートリアルを提供しています。
- プロジェクト
py-why/dowhyDoWhyはエンドツーエンド因果推論のためのPythonライブラリです。因果グラフを定義し、自動的に因果効果を特定し、さまざまな統計手法で推定し、反証テストで堅牢性を検証できます。このライブラリは根本原因分析、反事実、介入サンプリングのためのグラフィカル因果モデルもサポートしています。`pip install dowhy`でインストールし、4ステップワークフロー（モデル → 識別 → 推定 → 反証）に従ってください。