API: 与YLearn交互

一体化的API

类名	描述
Why	一个API封装了YLearn中几乎所有的东西，比如 识别因果效应 和 给一个训练过的估计模型打分 。 它给用户提供了简单和有效的方法使用YLearn。

因果结构发现

类名	描述
CausalDiscovery	发现观测数据中的因果结构。

因果模型

类名	描述
CausalGraph	表示因果结构和支持因果图其他相关的操作，例如加减图中的边。
CausalModel	编码由 CausalGraph 表示的因果关系。主要支持因果效应识别，比如后门调整。
Prob	表示概率分布。

估计模型

类名	描述
ApproxBound	一个用于估计因果效应上下界的模型。该模型不需要无混杂条件。
CausalTree	一个通过决策树估计因果效应的类。需要无混杂条件。
DeepIV	具有深度神经网络的工具变量。必须提供工具变量的名字。
NP2SLS	无参数的工具变量。必须提供工具变量的名字。
DoubleML	双机器学习模型用于估计CATE。需要无混杂条件。
DoublyRobust and PermutedDoublyRobust	双鲁棒方法用于估计CATE。置换的版本考虑了所有可能的治疗控制对。需要无混杂条件且治疗必须是离散的。
SLearner and PermutedSLearner	SLearner。 置换的版本考虑了所有可能的治疗控制对。需要无混杂条件且治疗必须是离散的。
TLearner and PermutedTLearner	使用了多个机器学习模型的TLearner。置换的版本考虑了所有可能的治疗控制对。需要无混杂条件且治疗必须是离散的。
XLearner and PermutedXLearner	使用了多个机器学习模型的XLearner。置换的版本考虑了所有可能的治疗控制对。需要无混杂条件且治疗必须是离散的。
RLoss	通过测量估计模型的效果得到效果分。需要无混杂条件。

策略

类名	描述
PolicyTree	一个通过树模型和最大化因果效应来找到最优的策略的类。

解释器

类名	描述
CEInterpreter	一个使用决策树模型的对象，用于解释估计的CATE。
PolicyInterpreter	一个用于解释由一些 PolicyModel 给出的策略的对象。