因果框架 HPCC系统因果关系框架目前正在开发中。 该存储库提供了一个Python模块，该模块实现了因果模型表示，验证，因果推理以及最终反事实推理的所有相关算法。 它具有综合的数据生成功能，可用于测试算法并针对各种情况探查其功能。 该存储库可用作独立的Python框架。 它还将用于为HPCC Systems超级计算集群上的并行因果框架提供本地处理。 有关因果关系，因果推断以及各种因果算法的详细信息，请参见下面的参考部分。 安装 先决条件 Python3 麻木 matplotlib 程序 克隆存储库 将您的存储库添加到pythonpath或在存储库中工作。 因果方法 cGraph.py （因果图）是系统的心脏。 它接受一个多元数据集以及一个因果模型（也称为路径图），该模型被认为与产生数据的因果过程相对应。 因果模型是有向无环图，它代表了因果过程的最佳假设，该假设是所提供数据集生成的基础。

因果关系审查 代码（python），图形和数据，用于评估双变量时间序列数据的因果关系指标的性能。 这篇评论是在Lungarella等人以前的工作之后进行的。 （2007）。 该评价中包括的方法是： 扩大的格兰杰因果关系（Chen et al。2004） 非线性格兰杰因果关系（Ancona et al。2004） 可预测性的提高（Feldmann和Bhattacharya 2004） 转移熵（直方图划分和Kraskov-Stögbauer-Grassberger估计）（Schreiber 2000，Kraskov et al。2004） 有效传递熵（直方图划分）（Marschinski和Kantz，2002年） 粗粒度的信息传递率（Palus等，2001） 相似指数（Arnhold等1999，Bhattacharya等2003） 收敛交叉映射（Sugihara et al.

论文名称：Detecting and quantifying causal associations in large nonlinear time series datasets 作者：Jakob Runge 主要内容：PCMCI算法的提出 因果推断算法 可以处理高维度、强子相关、非线性数据

针对最新本未发布，以2022年10月29日Github上源码为基准编译的安装包，包含了V0.1.3上未发布的功能，供试验使用。 pip install 目录\ylearn-0.1.3-cp38-cp38-win_amd64.whl

格兰杰因果matlab代码高效FFBS 高效的前向滤波和向后平滑 说明：该存储库包含常规且有效的前向滤波和向后平滑的实现。 版权所有（c）2020 Behrad Soleimani保留所有权利 接触： 引用：如果您发现这些代码对您的研究有帮助，请引用以下论文 B. Soleimani，P。Das，J。Kulasingham，JZ Simon和B. Babadi，“间接低维测量的格兰杰因果推论及其在MEG功能连通性分析中的应用”，2020年第54届信息科学与系统年会（CISS） ，普林斯顿，新泽西州，美国，2020年，第1-5页，。 日期：2020年3月5日 要求：在Matlab R2019a版本中实现，但应在大多数版本上运行。 内容： main.m：主脚本。 EFBS.m：高效的前向滤波和后向平滑功能。 Filtering.m：常规的前向过滤和后向平滑功能。 EfficientFFBS.pdf：算法的推导和详细信息。 说明：简单易用。 将所有代码下载到目录中并运行main.m，这将生成一个如下所述的示例。 要单独使用功能，请查看功能说明。 .pdf文件中也对派生方式和详细信息进行了说明

过去10年，以深度学习为代表的机器学习方法引领了人工智能的发展，在图像、语音、文本等多个领域中取得巨大成就。从根本上来说，机器学习是一种“连接主义”方法，即通过关联驱动的方式在大量的数据中进行拟合从而总结出规律。然而机器学习的工作方式离人脑依然有相当距离，不同于机器学习需要大量的数据，人类在学习过程中只需要比较少量的信息就能掌握规律，并通过逻辑推理不断适应事物和环境的变化。

部分内容摘自知乎、《统计因果推理》和因果推理课程等，仅供个人学习使用

来自杜克大学Fan Li的简明《因果推理》课程！ Chapter 1. Introduction 引言 Chapter 2. Randomized experiments 随机实验 Chapter 2.1: Fisher's and Neyman's mode of inference Chapter 2.2: Covariate adjustment in RCT Chapter 3. Observational studies with ignorable assignments: single-time treatments Chapter 3.1. Outcome regression Chapter 3.2. Covariate balance, matching, stratification Chapter 3.3. Propensity score Chapter 3.4. Propensity score weighting: inverse probability weighting and overlap weighting Chapter 3.5. Augme

人工智人-家居设计-动态因果图用于汽油发动机故障智能诊断的理论及方法研究.pdf

从推荐买什么，看什么电影，到选择看什么新闻，关注什么人，申请什么工作，在线系统已经成为我们日常生活的重要组成部分。一个自然要问的问题是这些社会技术系统如何影响我们的行为。然而，由于这些系统的输出和人的行为之间的复杂的相互作用，确定它们对人的行为的影响是不容易的。 幸运的是，有大量关于因果推理的研究可供我们借鉴。在本教程的第一部分中，我将展示反事实推理对研究社会技术系统的价值，通过展示基于相关性的预测建模如何可能适得其反。然后，我们将讨论因果推断的不同方法，包括随机实验，自然实验，如工具变量和回归不连续，以及观察方法，如分层和匹配。在整个过程中，我们将尝试与图形模型、机器学习和过去在社会科学中的工作联系起来。 下半场将会有更多的实践。我们将通过一个实际的例子来估计一个推荐系统的因果影响，从简单到复杂的方法开始。实践练习的目标是了解不同因果推理方法的缺陷，并获得用混乱的真实世界数据进行因果推理的最佳实践。