快速开始
在这部分中,我们首先展示几个简单的YLearn的用法示例。这些例子包含了大部分常见的功能。之后我们以一个使用 Why
的例子来学习揭露数据中隐藏的因果关系。
示例用法
我们在这部分中展示几个必要的YLearn的用法示例。细节请参考它们的具体的文档。
因果图的表示
对一个给定的因果图 \(X \leftarrow W \rightarrow Y\), 该因果图由
CausalGraph
表示causation = {'X': ['W'], 'W':[], 'Y':['W']} cg = CausalGraph(causation=causation)
cg
将成为YLearn中的因果图的表示.识别因果效应
假如我们对识别因果估计量感兴趣 \(P(Y|do(X=x))\) 在因果图 cg 中, 接着我们应该定义一个实例
CausalModel
的实例并使用identify()
方法:cm = CausalModel(causal_graph=cg) cm.identify(treatment={'X'}, outcome={'Y'}, identify_method=('backdoor', 'simple'))
估计因果效应
通过
EstimatorModel
估计因果效应由4步组成:以
pandas.DataFrame
的形式给出数据, 找到 treatment, outcome, adjustment, covariate 的名称。使用
EstimatorModel
的fit()
方法来训练模型。使用
EstimatorModel
的estimate()
方法来估计测试数据中的因果效应。