mckinsey/causalnex
A Python library that helps data scientists to infer causation rather than observing correlation.
해결하는 문제
CausalNex는 인과 추론과 "만약~라면" 분석을 간소화합니다. 데이터 과학자들이 인과 구조를 학습하고 도메인 전문 지식을 통합하며 데이터를 사용해 개입의 영향을 추정하기 위해 여러 라이브러리를 사용해야 하는 문제를 해결합니다.
작동 방식
이 툴킷은 베이지안 네트워크를 사용하여 데이터 내의 인과 관계를 식별합니다. 단순한 패턴 인식이나 상관관계를 넘어서, 최신 기법을 사용해 데이터에서 인과 구조를 학습하고, 도메인 지식을 수동으로 보완하며, 네트워크에 확률 분포를 적합시킵니다. 모델이 구축되면 사용자는 반사적 분석을 수행하고, Do-계산을 사용하여 개입의 영향을 분석할 수 있습니다.
대상 사용자
상관 기반 머신러닝에서 인과 추론으로 전환하고, 비즈니스나 기술적 문제에 적절한 개입을 식별하고자 하는 데이터 과학자 및 분석가.
주요 기능
- 조건부 종속성을 이해하기 위한 최신 구조 학습 방법 제공
- 그래프 모델에 도메인 지식을 직접 인코딩하고 보완할 수 있는 기능
- 개입의 영향을 분석하기 위한 Do-계산 지원
- 인과 관계 이해를 간소화하기 위한 내장 시각화 도구
- 통계적 검증을 통한 확률 분포 적합 및 모델 품질 평가 도구
관련
- 프로젝트
erdogant/bnlearnbnlearn is a Python library for learning, parameterising, and querying Bayesian networks. It supports structure discovery (various scores and search methods), CPT estimation, causal inference (do‑calculus), synthetic data generation, and visualisation, all wrapped in a simple API.
- 프로젝트
cdt15/lingam변수 간의 인과 관계를 결정하기 위해 선형 비정규 비순환 모델을 추정하는 파이썬 라이브러리입니다.
- 프로젝트
pgmpy/pgmpy그래픽 모델을 사용한 인과적 및 확률적 추론을 위한 파이썬 라이브러리로, 구조 학습, 파라미터 추정, 인과 추론을 위한 도구를 제공합니다.
- 프로젝트
uber/causalml개별 사용자에 대한 개입의 인과적 영향을 추정하여 타겟팅과 개인화를 최적화하는 Python 패키지입니다.
- 프로젝트
py-why/dowhyDoWhy는 엔드투엔드 인과 추론을 위한 Python 라이브러리입니다. 인과 그래프를 정의하고, 자동으로 인과 효과를 식별하며, 다양한 통계적 방법으로 추정하고, 반증 테스트를 통해 강건성을 확인할 수 있습니다. 이 라이브러리는 근본 원인 분석, 반사적 분석, 개입 샘플링을 위한 그래픽 인과 모델도 지원합니다. `pip install dowhy`로 설치하고, 4단계 워크플로우(모델 → 식별 → 추정 → 반증)를 따르세요.