【书评】-图灵图书-别把相关当因果！

购书链接：http://www.ituring.com.cn/book/1780

什么是因果？

• 本书在开头讲述了一个生动的历史故事（其用来解释关联与因果的区别），1999年，一个律师被误判为谋杀了自己的两个新生儿。其对概率的误用，是由于结果推断原因的错误认识---博士认为两个新生儿的死亡是独立事件，事实上并非如此，当一个新生儿因病死亡后，那么第二个新生儿患此病的概率的远大于第一个。文中因为认为概率实在是太低了，可见不是由于患病的原因还是一场谋杀，可见因果推理并不能仅仅依靠单学科的知识，否则必然会导致冤案。

何为原因？为什么需要原因？如何寻找原因

• 休谟把因果关系简化为规律，原因即导致该种结果的前提之一。（哲学上存在多因一果、一因多果）。因为人类的实践导致经验主义，如果把经验当成规律，那么有原因的话我们就可以直接预知结果，这也是一种智慧，由此产生决策树思想。为了更好利用因果推理，所以我们要实事求是的寻找原因。 书中从以下几方面入手： 1.感知 2.推理与论证 （ 关联法、反向阻断法、间接腿短发）

因果关系的相关性（Apriori）：

• 如果学过机器学习，很容易想到Apriori算法，通过一定属性的布尔关联的出预测值。
• 但因果关系并不一定相关！和书名一样《 别把相关当因果！》
  NOTE：没有变化就没有相关性（辨别是否有想关性的依据）
  IMPORTANT：没有相关性的因果关系 ->
  长跑对体重的影响。虽然长跑能够消耗热量从而减轻体重，但是长跑也能导致食欲大增从而增加体重(而这又会对减肥造成负面影响)。根据每种影响的强度不同，或者根据调查的数据不同，跑步的积极作用可能恰好会被它的消极作用抵消，结果人们就会发现在跑步和减肥之间不存在任何相关性
  

书评：
这是一本比较薄的科普类小书，旨在对读者说明因果关系和相关性不是同义词。很多时候我们会自认为找到了原因，但实际上我们找到的只是一些相关性而已，甚至这种相关性都是虚假的。
马哲中对原因的阐述是很有深远意义的，一种原因是可以导致多种结果的，所以我们即便是找到了这种原因，也要合理运用。引用机器学习的一个优化法则就是“没有免费的午餐”，对于一种因果在外部环境变化时起可能也会变化。
作者也讲述了几种在没有因果关系情况下发现事物之间的相关性，所谓的“万物皆可大数据”，比如计算法。文中也提到知识，也许一个人不能家财万贯，但我们可以选择读书阅万卷。