mckinsey/causalnex
A Python library that helps data scientists to infer causation rather than observing correlation.
解决的问题
CausalNex 简化了因果推理和「如果……会怎样」分析的过程。它解决了数据科学家通常需要使用多个库来学习因果结构、融入领域知识，并利用数据估计干预影响的问题。
工作原理
该工具包使用贝叶斯网络来识别数据中的因果关系，超越了简单的模式识别和相关性分析。它允许用户使用最先进的方法从数据中学习因果结构，手动用领域知识补充这些关系，并为网络拟合概率分布。模型构建完成后，用户可以进行反事实分析，并使用 Do-演算来分析干预的影响。
适用人群
希望从基于相关性的机器学习转向因果推断，并识别出解决业务或技术问题的正确干预措施的数据科学家和分析师。
主要特性
- 内置最先进的结构学习方法，用于理解条件依赖关系
- 能够直接将领域知识编码并增强到图模型中
- 支持 Do-演算，用于分析干预的影响
- 内置可视化工具，简化对因果关系的理解
- 提供概率分布拟合和统计检验以评估模型质量的工具
相关
- 项目
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.
- 项目
- 项目
pgmpy/pgmpy一个用于因果和概率推理的 Python 库，基于图形模型，提供结构学习、参数估计和因果推断的工具。
- 项目
uber/causalml一个用于 uplift 模型和因果推断的 Python 包，可估计干预对个体用户的因果影响，以优化定位和个性化。
- 项目
py-why/dowhyDoWhy 是一个用于端到端因果推断的 Python 库。它允许你定义因果图，自动识别因果效应，使用多种统计方法进行估计，并运行反证测试以检查稳健性。该库还支持用于根本原因分析、反事实和干预采样的图形因果模型。通过 `pip install dowhy` 安装，并遵循四步工作流程（模型 → 识别 → 估计 → 反证）即可使用。