2、因果推断入门：概念、示例与假设

因果推断入门：概念、示例与假设

因果推断在众多领域都有着重要的应用，它与机器学习之间也存在着紧密的联系。本文将深入探讨因果推断的相关知识，包括其基本概念、与机器学习的关系、关键定义、示例以及必要的假设等内容。

因果推断与机器学习的关联

因果推断中有两个有影响力的框架，其中结构因果模型（SCM）包含因果图和结构方程，它描述了系统的因果机制，通过一组联立的结构方程对变量及其因果关系进行建模。另一条学习因果关系的途径是因果结构学习，其目标是通过生成因果图来揭示因果关系，代表性方法可分为基于约束的模型、基于分数的模型和功能因果模型三类。不过，因果结构学习与因果效应估计所解决的问题不同。

近年来，机器学习领域的蓬勃发展推动了因果推断领域的进步。强大的机器学习方法，如决策树、集成方法和深度神经网络等，被用于更准确地估计潜在结果。同时，机器学习方法还为处理混杂因素提供了新的视角，借助深度表示学习方法，通过学习所有协变量的平衡表示来调整混杂变量，使得在给定学习到的表示条件下，处理分配与混杂变量相互独立。但需要注意的是，在机器学习中数据越多越好，而在因果推断中，仅增加数据量是不够的，更多的数据只能帮助获得更精确的估计，却不能保证估计的正确性和无偏性。此外，因果推断也有助于机器学习方法，现代机器学习研究不能仅仅追求预测准确性，正确性和可解释性同样是目标，因果推断开始在推荐系统或强化学习等方面帮助改进机器学习。

因果推断的基础知识

因果推断的任务通常是估计如果应用另一种处理，结果会发生怎样的变化。例如，有两种药物 A 和 B 可用于治疗患者，对同一患者群体使用药物 A 时，康复率为 70%，使用药物 B 时，康复率为 90%，康复率的变化就是处理（即药物）对