文章目录

一、前言
二、内容
- 2.1 支持算法
- 2.2 独立性测试
- 2.3 评分函数
三、安装causal-learn
- 3.1可以通过pip来安装
- 3.2Requirements
四、用法举例
- 4.1以pc算法为例
- 4.2参数解释
- 4.3Returns
- 4.3完整样例
- 4.4运行结果
五、其它补充
- 5.1 相关链接
- 5.2参考

一、前言

自己在使用微软Dowhy和causal-learn后写下此文，希望各位避坑！！！

Causal-learn，由CMU张坤老师主导，多个团队（CMU因果研究团队、广工DMIR实验室、宫明明老师团队和Shohei Shimizu老师团队）联合开发出品的因果发现算法平台。

Causal-learn用Python实现了CMU开发的基于Java的Tetrad因果发现平台（WAIC2020 SAIL 之 L奖），并进一步加入新的算法和功能。其中包含了因果发现的经典算法与API，并且提供了模块化的代码，以方便研究者实现自己的算法。Causal-learn所有模块均基于Python实现，从而避免了传统因果发现库对R/Java的依赖，为Python开发者提供便利。

（总结来说，causal-learn比微软的DoWhy友好太多了！！！）

二、内容

2.1 支持算法

Constraint-based causal discovery methods
- PC
- FCI
- CD-NOD
Score-based causal discovery methods
- GES with the BIC score or generalized score
- Exact Search
Causal discovery methods based on constrained functional causal models
- LiNGAM-based Methods
- Post-nonlinear causal models
- Additive noise models
Hidden causal representation learning
- Generalized Independence Noise (GIN) condition-based method
Granger causality
- Linear granger causality

2.2 独立性测试

Fisher-z test
Missing-value Fisher-z test
Chi-Square test
Kernel-based conditional independence (KCI) test and independence test
G-Square test

2.3 评分函数

BIC score
BDeu score
Generalized score with cross validation
Generalized score with marginal likelihood

三、安装causal-learn

3.1可以通过pip来安装

 pip install causal-learn

3.2Requirements

python 3
numpy
networkx
pandas
scipy
scikit-learn
statsmodels
pydot

(For visualization)

matplotlib
graphviz
pygraphviz (might not support the most recent Mac)

四、用法举例

4.1以pc算法为例


cg = pc(data, alpha, indep_test, stable, uc_rule, uc_priority, mvpc, correction_name, background_knowledge, verbose, show_progress)

4.2参数解释


* data:必须要求numpy.ndarray，格式为(n_samples, n_features)，其中n_samples 是样本数，n_features 是特征数* alpha:独立性测试的显著性水平，(float) in (0, 1)，Default: 0.05.* indep_test：独立性测试的方法 Default: ‘fisherz’* stable:是否执行稳定的图骨架发现，Default: True.* uc_rule:how unshielded colliders are oriented. Default: 0.* uc_priority:rule of resolving conflicts between unshielded colliders. Default: 2.* mvpc:数据是否包含缺失值，若包含，请设置为True. Default: False.* correction_name:Missing value correction if using missing-value PC* background_knowledge:背景知识（指定因果边及方向）* verbose:如果要打印verbose日志输出，请设置为True，Default: False.* show_progress:如果要在控制台显示算法的进展，则为True。默认情况下. Default: True.

4.3Returns

a CausalGraph object

cg.G.graph[j,i]=1 and cg.G.graph[i,j]=-1 indicate i –> j;

cg.G.graph[i,j] = cg.G.graph[j,i] = -1 indicate i — j;

cg.G.graph[i,j] = cg.G.graph[j,i] = 1 indicates i <-> j.

4.3完整样例


import numpy as npfrom causallearn.search.ConstraintBased.PC import pcfrom causallearn.utils.cit import fisherz,chisq,gsq,mv_fisherz,kci# 导入不同的独立性测试方法data_path="TestData/data_discrete_1.txt"example_data = np.loadtxt(data_path,skiprows=1)# skiprows，跳过读取数据的第一行（标题行）example_result = pc(example_data,0.05,kci,True,0,-1)example_result.to_nx_graph()example_result.draw_nx_graph(skel=False)

4.4运行结果

Green: undirected; Blue: directed; Red: bi-directed

（注意，这个结果图中，没有红色箭头）

五、其它补充

5.1 相关链接

github仓库

开发文档

因果科学算法、框架、数据集汇总

5.2参考

Causal learn使用方法
因果发现工具|causal-learn介绍

author：yewii

causal-learn基本使用方法相关推荐

Java learn lambda的方法引用
lambda 的方法引用实质也是建立在把引用方法的代码段简写成lambda表达式分为以下几种: 1.引用静态方法首先得有个静态方法写成静态方法是因为 main主方法用类名调用时只会调用静态方法 ...
TF学习——TF之API：TensorFlow的高级机器学习API—tf.contrib.learn的简介、使用方法、案例应用之详细攻略
TF学习--TF之API:TensorFlow的高级机器学习API-tf.contrib.learn的简介.使用方法.案例应用之详细攻略目录 tf.contrib.learn的简介 tf.contr ...
面向对象（类的概念，属性，方法，属性的声明，面向对象编程思维
1 面向对象 1.1 你是如何认识新事物的? 从过往的事物中总结事物的特点(特征),并比对新事物,把新事物进行归类. 1.2 类(Class)的概念(A) 类是对一组具有相同特征和行为的对象的抽象描述 ...
MegaSAS RAID卡 BBU Learn Cycle周期的影响
背景最近遇到有些带MegaSAS RAID卡的服务器,在业务高峰时突然IO负载飚升得很高,IO性能急剧下降,查了日志及各种设置最后才发现是RAID卡的Cache写策略由WriteBack变成Writ ...
Causal Inference
文章目录 Standardization 非参数情况 Censoring 参数模型 Time-varying 静态 IP weighting 无参数 Censoring 参数模型 censoring ...
论文浅尝 | 一日看尽长安花--NLP可解释研究梳理
本文是对TACL2019<Analysis Methods in Neural Language Processing: A Survey>的翻译和整理. 本文转载自知乎,文章链接:htt ...
图神经网络的解释性综述！
↑↑↑关注后"星标"Datawhale每日干货 & 每月组队学习,不错过Datawhale干货来源:纪厚业,北京邮电大学,图与推荐编辑:数据派THU本文约1.5w字,干 ...
Day7 面向对象和类的介绍
面向对象讲解: ''' 面向过程: 核心是过程二字,过程指的是问题的解决步骤,基于过程去设计程序,就好比在设计一条流水线,是一种机械式的思维方式. 优点:复杂的问题流程化,进而简单化缺点:可扩展性差 ...
论文推荐：ReLICv2 ，新的自监督学习能否在ResNet 上超越监督学习？
来源:DeepHub IMBA 本文约2500字,建议阅读5分钟自监督 ResNets 能否在 ImageNet 上没有标签的情况下超越监督学习? 在本文中将介绍最近一篇推动自监督学习状态向前发展的 ...

causal-learn基本使用方法