因果推理如何与机器学习相结合？

Question

我想知道Causal inference是如何与machine learning一起使用的，尤其是在数据科学项目中？我一直在寻找答案，并得出结论，在建模阶段之后可以使用因果推理来确定变量与目标/结果之间的某些相关性。

例如，如果模型具有良好的准确性，并且在输入A和目标B之间具有高度的相关性/关联，则可能需要执行因果推理来验证A对B的影响。

我想知道我的理解是否正确，也知道机器学习是否有因果推理的其他应用。

Answer 1

你的理解是正确的。找出变量之间的相关性很简单，但将它们转化为因果断言需要额外的努力。因果推理主要是以“做X使Y发生”的形式来达到“处方”。

不使用因果推理时的

：

如果有可能做实验，就可以避免因果推理。例如，A\B测试可以让您研究两组改变的影响，并得出因果关系的结论。例如，A\B测试的结果将是“A组的用户看到颜色强度50的按钮比B组的颜色强度40多10%”，X=‘增加按钮的颜色强度’，这样Y=‘更多的点击’发生。对于更大、更统一的组，您的断言将更可靠。

机器学习中的

因果推理：

在大多数机器学习项目中，这些类型的实验是可能的，而且大多是廉价的，因此为什么要费心呢？而且，特别是在预测项目中，价值来源于相关关系。因果关系的知识是相关关系的一个子集，并不会增加价值。

因果推理：

当您使用历史数据或您只能“观察”数据而不影响它时，因果推理就会起作用。一般说来，因果推理是一个有争议的话题，因为它试图从观测数据中提取因果关系(与A\B测试中的实验数据相反)。

据我所知，因果推理的主要贡献者是朱迪亚·珀尔教授。他的基本工具是概率图形模型(PGM)和做微积分。这些工具使我们明确地编码了关于数据生成机制的假设，并得出了因果结论。因此，当像“做X，这样Y发生了”这样的断言出错时，我们可以以一种有原则的方式来跟踪我们的假设中的问题。例如，我们可能忽略了一个重要的隐藏变量，如果包含它，我们的结论就会改变。他说，从根本上说，任何得出“规定性”结论的人都是在做因果推断，所以最好明确地列出你的假设，以防止相关的因果关系问题不被注意到。

一些有趣的资源：

1. 辛普森悖论是对因果推理感兴趣的切入点，
2. 朱迪亚明珠的本论文将悖论与因果推理联系起来。