mckinsey/causalnex
A Python library that helps data scientists to infer causation rather than observing correlation.
解決的問題
CausalNex 簡化了因果推理與「如果……會怎樣」分析的流程。它解決了資料科學家通常需要使用多個函式庫來學習因果結構、融入領域知識，並利用資料估計干預影響的問題。
工作原理
該工具包使用貝葉斯網路來識別資料中的因果關係，超越了簡單的模式識別與相關性分析。它允許使用者使用最尖端的方法從資料中學習因果結構，手動以領域知識補充這些關係，並為網路擬合機率分佈。模型建構完成後，使用者可以進行反事實分析，並使用 Do-演算來分析干預的影響。
適用對象
希望從基於相關性的機器學習轉向因果推論，並識別出解決業務或技術問題的正確干預措施的資料科學家與分析師。
主要特色
- 內建最尖端的結構學習方法，用於理解條件依賴關係
- 能夠直接將領域知識編碼並增強至圖模型中
- 支援 Do-演算，用於分析干預的影響
- 內建視覺化工具，簡化對因果關係的理解
- 提供機率分佈擬合與統計檢驗以評估模型品質的工具
相關
- 專案
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.
- 專案
- 專案
pgmpy/pgmpy一個用於因果與機率推理的 Python 套件，基於圖形模型，提供結構學習、參數估計與因果推論的工具。
- 專案
uber/causalml一個用於 uplift 模型與因果推論的 Python 套件，可估計干預對個體使用者的因果影響，以優化定位與個人化。
- 專案
py-why/dowhyDoWhy 是一個用於端到端因果推斷的 Python 庫。它允許你定義因果圖，自動識別因果效果，使用多種統計方法進行估計，並運行反證測試以檢查穩健性。該庫還支援用於根本原因分析、反事實和干預採樣的圖形因果模型。透過 `pip install dowhy` 安裝，並遵循四步工作流程（模型 → 識別 → 估計 → 反證）即可使用。