因果分析

数据驱动的推荐系统在各种Web应用程序中表现出了巨大的成功，这归功于机器学习模型从大量的历史用户行为中识别模式(即相关性)的非凡能力。然而，这些模型仍然存在一些问题，如由于虚假相关性而产生的偏差和不公平。考虑数据背后的因果机制可以避免非因果关系带来的伪相关的影响。在这种情况下，采用因果推荐建模是一个令人兴奋和有前途的方向。因此，因果推荐越来越受到我们推荐界的关注。然而，由于缺乏对这一课题的系统概述，导致研究者和实践者难以理解和跟上这一方向。 在本教程中，我们将介绍因果关系的关键概念，并对因果推荐方面的现有工作进行系统回顾。我们将介绍来自两种不同因果框架的现有方法——潜在结果框架和结构性因果模型。我们将举例并讨论如何在这两个框架下利用不同的因果工具来建模和解决推荐中的问题。将对这两种工作进行比较，以便理解它们之间的区别和联系。此外，我们确定了一些开放的挑战和潜在的未来发展方向。我们希望本教程可以激发更多关于这个主题的想法，并促进因果关系感知推荐系统的发展。

因果推理工具是大多数科学结果背后的基本统计构件。因此，有一个共同商定的开源资源来提出和评估这些资源以及列出目前尚未解决的问题是极为有用的。这本书的内容涵盖了实施因果推理的统计方法所需的基本理论知识和技术技能。 这意味着: 了解编码因果关系的基本语言，了解推理的基本问题和直觉估计的偏差，了解计量经济学方法如何恢复治疗效果，能够计算这些估计值连同估计精度使用统计软件R。 这本书是为教学因果推理的研究生，希望运用因果推理的统计工具。提供了理论结果的演示，但最终目标不是让学生再现它们，而主要是使他们更好地理解他们将使用的工具的基础。重点是理解问题和解决方案，而不是理解后面的数学，即使数学存在并被用来严格地传达概念。所有的概念和估计值都是用一个数值例子和模拟来介绍的，以便每个概念都被说明，并显得更直观的学生。

图４．９　无线电磁指示器指示方位原理 ２．基本原理 图４．１０为 无 线 电 罗 盘 的 工 作 原 理 框 图。由 ４１３节内容可知，具有“８”字形方向性图的环形天 线接收地面信标台的发射信号，为使该信号与垂直 天线接收到的信号同相叠加，先将环形天线的信号 移相９０°，并经放 大 与 倒 相 后 加 给 平 衡 调 制 器 两 个 幅度相等而相位相反的信号，平衡调制器在１３５Ｈｚ 低频信号 控 制 下 工 作，得 到 两 个 旁 频（边 频）信 号 （见式（４．９）），然 后 与 垂 直 天 线 的 无 方 向 性 载 频 信 号进行相加，得到一个调制度是电波来向θ的函数 的调幅波信号。 该调幅波信号在超外差式接收机中进行处理， 经过混频、中放、检波等环节，得到具有方位信息的 低频信号并分成两路输出，其中一路到耳机用于人工定向；另一路经１３５Ｈｚ的选频放大电路， 将１３５Ｈｚ信号从低频信号中分离出来，放大后作为误差信号加到伺服电机的控制线圈上。同 时在伺服电机的激磁线圈中，还加有从１３５Ｈｚ本地振荡器直接输出的１３５Ｈｚ信号。 图４．１０　无线电罗盘工作原理方框图 在这两个信号的共同作用下，伺服电机转动，同时带动环形天线向最小值信号的 方 向 转 动，直到转到环形天线信号为零、方向性图最小值对准导航台时为止，此时无线电罗盘中就只 有垂直天线的信号。在这个过程中，同步发送机转子和航向指示器指针都在同步转动，最终指 ·８７· 无线电导航原理与系统

Judea Pearl的因果推断教材，因果图模型

CausalInference.jl：使用PC算法进行因果推理，图形模型和结构学习

对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源，以及检验因果推理如何随着发展而变化。本书回顾了旨在实现这两个目标的证据和理论。

从机器学习视角学习因果推断的教材。

因果推断综述，介绍了因果推断的相关工作，理论基础等，与机器学习的关系，以及在工业界的应用，对于互联网从业者非常有帮助

免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客