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。

1. 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.

2. 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'))
   

3. 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。

案例分析