因果图的信息测度。
causalinfo的Python项目详细描述
causalinfo是一个python库,可以帮助您尝试不同的 因果图的信息度量 最近关于因果图的理论。这些信息 可以使用度量来确定一个变量控制或 解释图中的其他变量。使用这些措施很重要 与科学哲学中因果解释工作的联系 了解生物网络中的信息处理。
这个图书馆正在建设中,随着研究的继续,它将得到扩展。
它是做什么的?
causalinfo主要用于IPython Notebook中的交互使用。您可以创建变量并将概率分布分配给 或者使用条件概率将它们与其他变量联系起来。 几个相关变量可以组合成一个有向无环图 可以为观察到的所有变量生成联合分布,或者 对某些变量进行控制下干预。你也可以计算 控制图中变量之间的各种信息度量 其他变量。这些措施包括相关措施,如 信息,但也有因果关系,如信息流 [AyPolani2008]和因果特异性[GriffithsEtAl2015]。
有关如何使用库的一些简单示例,请参阅ipython笔记本 包括:
- Introduction。简单介绍一下你可以做的事情 图书馆。
- Rain。对因果图进行一些干预;来自 朱迪亚·珀尔的书。
- Signaling。测量信令网络中的因果关系。一些例子来自 [CalcottEtAl2016]。
- Information Flow。测量因果网络中的信息流 来自[AyPolani2008]。
一些注意事项
图书馆不是用来进行大规模分析的。代码已经写好了 尽可能多地卸载到其他库(如Pandas)和 Networkx),并允许轻松检查在IPython Notebook内发生的情况,因此没有优化速度。计算关节 具有多个变量的因果图的分布可以变得非常慢。 (尤其是当变量有很多状态时)。
致谢
这项工作是澳大利亚University of Sydney的Causal Foundations of Biological Information研究项目的一部分。工作 是通过邓普顿世界的资助才得以实现的 慈善基金会。所表达的意见是作者的,而不是 一定反映了邓普顿世界慈善基金会的观点。
许可证
麻省理工学院许可。有关详细信息,请参见捆绑的LICENSE文件。
参考文献
[AyPolani2008] | (1, 2) Ay, N., & Polani, D. (2008). Information flows in causal networks. Advances in Complex Systems, 11(01), 17–41. |
[GriffithsEtAl2015] | Griffiths, P. E., Pocheville, A., Calcott, B., Stotz, K., Kim, H., & Knight, R. (2015). Measuring Causal Specificity. Philosophy of Science, 82(October), 529–555. |
[CalcottEtAl2016] | Calcott, B., Griffiths, P. E., Pocheville, A. (Forthcoming). Signals that Make a Difference. British Journal for Philosophy of Science. |
[Pearl2000] | Pearl, J. (2000). Causality. Cambridge University Press. |