因果推理工具箱(贝叶斯网络/推理)
causalnex的Python项目详细描述
Theme | Status |
---|---|
Latest Release | |
Python Version | |
^{ | |
^{ | |
Documentation Build | |
License | |
Code Style |
什么是因果关系?在
"A toolkit for causal reasoning with Bayesian Networks."
CausalNex旨在成为使用贝叶斯网络进行因果推理和“假设”分析的领先库之一。它有助于简化步骤:
- 学习因果结构
- 为了让领域专家扩大关系
- 利用数据估计潜在干预措施的效果。在_
为什么是CausalNex?在
CausalNex建立在我们的集体经验之上,利用贝叶斯网络来识别数据中的因果关系,以便我们能够从分析中开发正确的干预措施。我们开发CausalNex是因为:
- 我们认为,与建立在模式识别和相关性分析基础上的传统机器学习方法相比,利用贝叶斯网络来描述因果关系更加直观。在_
- 如果我们可以在图模型中轻松地编码或扩充领域专业知识,因果关系就更准确了。在_
- 然后,我们可以使用图模型来评估从更改到底层特性的影响,即反事实分析,确定正确的干预。在_
根据我们的经验,数据科学家通常必须使用至少3-4个不同的开源库,然后才能找到正确的干预措施。CausalNex旨在简化因果关系和反事实分析的端到端流程。在
CausalNex的主要特点是什么?在
该库的主要特点是:
- 使用最先进的结构学习方法来理解变量之间的条件依赖关系
- 允许领域知识扩充模型关系
- 基于结构关系建立预测模型
- 贝叶斯网络的拟合概率分布
- 使用标准统计检查评估模型质量
- 通过可视化简化贝叶斯网络中因果关系的理解
- 使用Do演算分析干预的影响
如何安装CausalNex?在
CausalNex是一个Python包。要安装它,只需运行:
pip install causalnex
因为pygraphviz很难安装,特别是在Windows机器上,这个要求是可选的。 如果要使用causalnex本机打印工具,可以使用
^{pr2}$或者,您可以使用networkx
绘图功能来实现依赖性较少的可视化。在
使用all
完成依赖项的完整安装(现在只进行绘图):
pip install "causalnex[all]"
请参阅我们的installation guide中更详细的安装说明,包括如何设置Python虚拟环境,并开始使用我们的tutorial。在
如何使用CausalNex?在
您可以找到最新稳定版本here的文档。它解释说:
- 端到端tutorial on how to use CausalNex
- 贝叶斯网络用于因果推理中的main concepts and methods
Note: You can find the notebook and markdown files used to build the docs in
docs/source
.
我能帮忙吗?在
是的!我们希望你加入我们,帮助我们建立因果关系。查看我们的contributing文档。在
如何升级CausalNex?在
我们使用SemVer进行版本控制。安全升级的最佳方法是检查我们的release notes是否有任何显著的突破性更改。在
你用什么执照?在
更多细节请参见我们的LICENSE。在
我们在招聘!在
你想成为在QuantumBlack构建CausalNex和other great products的团队的一员吗?如果是这样的话,你就走运了!QuantumBlack目前正在招聘机器学习工程师,他们喜欢使用数据来驱动决策。看看our open positions,看看你是否合适。在
- 项目
标签: