圖靈獎得主 Judea Pearl 曾表示，現(xiàn)有的機器學習模型不過是對數(shù)據(jù)的精確曲線擬合，只是在上?代的基礎(chǔ)上提升了性能，在基本的思想方面沒有任何進步。

• 第一，數(shù)據(jù)中的因果結(jié)構(gòu)應(yīng)當首先被學習和發(fā)現(xiàn)，用作這一任務(wù)的手段通常被稱為因果發(fā)現(xiàn)（causal discovery）。這些被發(fā)現(xiàn)的因果關(guān)系會被表示為因果結(jié)構(gòu)公式（structural causal models, SCM）或因果圖（一種有向無環(huán)圖，directed acyclic graphs, DAG）。

• 第二，我們需要將我們感興趣的因果問題中的量用因果變量（causal estimand）表示，其中一個例子是平均治療效應(yīng)（average treatment effect, ATE）。這些因果變量接下來會通過因果效應(yīng)識別轉(zhuǎn)化為統(tǒng)計變量（statistical estimand），這是因為因果變量無法從數(shù)據(jù)中直接估計，只有識別后的因果變量才可以從數(shù)據(jù)中被估計出來。

• 最后，我們需要選擇合適的因果估計模型從數(shù)據(jù)中去學些這些被識別后的因果變量。完成這些事情之后，諸如策略估計問題和反事實問題等因果問題也可以被解決了。

• 一站式：通常的因果學習流程包括從數(shù)據(jù)中發(fā)現(xiàn)因果結(jié)構(gòu)，對因果結(jié)構(gòu)建立因果模型，使用因果模型進行因果效應(yīng)識別和對從數(shù)據(jù)中對因果效應(yīng)進行估計。YLearn 一站式地支持這些功能，使用戶以最低的學習成本使用與部署因果學習。

• 新而全：YLearn 實現(xiàn)了多個近年來在因果學習領(lǐng)域中發(fā)展出的各類算法，例如 Meta-Learner、Double Machine Learning 等。也將一直致力于緊跟前沿進展，保持因果識別與估計模型的先進和全面。

• 用途廣：YLearn 支持對估計得到的因果效應(yīng)進行解釋、根據(jù)因果效應(yīng)在各種方案中選取收益最大的方案并可視化決策過程等功能。除此之外，YLearn 也支持將因果結(jié)構(gòu)中識別出的因果效應(yīng)的概率分布表達式以 LaTex 的形式輸出等小功能，幫助用戶將因果學習與其他方向交叉。

1. CausalDiscovery. 發(fā)現(xiàn)數(shù)據(jù)集中線性和非線性的因果關(guān)系并用因果圖表示。
2. CausalModel. 確定感興趣的因果量之后，識別因果圖中的工具變量，操作因果圖，識別因果效應(yīng)（Causal Effect）的估計表達式，也可判斷給定集合是否可以作為后門調(diào)整集合，前門調(diào)整集合等。
3. EstimatorModel. 給定因過量的估計表達式與訓練數(shù)據(jù)集，從訓練數(shù)據(jù)集中訓練多種估計模型，使用訓練好的估計模型在新的測試數(shù)據(jù)集上估計因果效應(yīng)。
4. Policy. 給定感興趣的因果效應(yīng)和數(shù)據(jù)集，尋找一種最佳方案以提升因果效應(yīng)，獲取理想收益。
5. Interpreter. 解釋估計模型（EstimatorModel）所預(yù)測的因果效應(yīng)，解釋策略模型（Policy）所給出的最佳方案。

1. 使用 CausalDiscovery 去發(fā)現(xiàn)數(shù)據(jù)中的因果關(guān)系和因果結(jié)構(gòu)，它們會以 CausalGraph 的形式表示和存在。
2. 這些因果圖接下來會被輸入進 CausalModel, 在這里用戶感興趣的因果變量會通過因果效應(yīng)識別轉(zhuǎn)化為相應(yīng)的可被估計的統(tǒng)計變量（也叫識別后的因果變量）。
3. 一個特定的 EstimatorModel 此時會在訓練集中訓練，得到訓練好的估計模型，用來從數(shù)據(jù)中估計識別后的因果變量。
4. 這個（些）訓練好的 EstimatorModel 就可以被用來在測試數(shù)據(jù)集上估計各類不同的因果效應(yīng)，同時也可以被用來作因果效應(yīng)解釋或策略方案的制定。

causation={'X':['W'],'W':[],'Y':['W']}
cg=CausalGraph(causation=causation)

fromylearn.causal_model.graphimportCausalGraph
causation_unob={
'X':['Z2'],
'Z1':['X','Z2'],
'Y':['Z1','Z3'],
'Z3':['Z2'],
'Z2':[],
}
arcs=[('X','Z2'),('X','Z3'),('X','Y'),('Z2','Y')]

cg_unob=CausalGraph(causation=causation_unob,latent_confounding_arcs=arcs)

cm=CausalModel(causal_graph=cg)
cm.identify(treatment={'X'},outcome={'Y'},identify_method=('backdoor','simple'))

causation={
'p':[],
't':['p','l'],
'l':[],
'g':['t','l']
}
arc=[('t','g')]
cg=CausalGraph(causation=causation,latent_confounding_arcs=arc)
cm=CausalModel(causal_graph=cg)
cm.get_iv('t','g')

• 給定 pandas.DataFrame 形式的數(shù)據(jù)，確定 treatment, outcome, adjustment, covariate 的變量名。
• 調(diào)用 EstimatorModel 的 fit() 方法訓練模型。
• 調(diào)用 EstimatorModel 的 estimate() 方法得到估計好的因果效應(yīng)。

fromsklearn.datasetsimportfetch_california_housing

fromylearnimportWhy

housing=fetch_california_housing(as_frame=True)
data=housing.frame
outcome=housing.target_names[0]
data[outcome]=housing.target

why=Why()
why.fit(data,outcome,treatment=['AveBedrms','AveRooms'])

print(why.causal_effect())

1. 確定會購買的用戶，不管我是否推薦這類用戶都會購買（鐵粉）
2. 不管我是否推薦他都不會購買（黑粉），
3. 我的推薦會提高用戶購買轉(zhuǎn)化的，如果不推薦他不會購買（路轉(zhuǎn)粉）
4. 是一些靜默用戶本來已經(jīng)訂閱了我們的服務(wù)，一旦收到我們的推薦提醒反而取消了訂閱（粉轉(zhuǎn)黑）。