结构性机甲旋风土豆 (第2/5页)

唐伯虎点李逵提示您：看后求收藏（皮皮书吧pipi180.com），接着再看更方便。

原来是穿鞋睡觉的人大多都喝酒了，所以，真正导致头疼的其实是“隐藏”变量-是否喝酒。（这在因果推断里叫混淆变量，confounder）

深入思考一下，我们为什么会得出”因为穿鞋睡觉所以头疼“的错误结论，那是因为我们隐含的观察到“不穿鞋睡觉不头疼“，两组数据对比下得出结论。但是这个结论错误的关键是，两个集合里喝酒的人分布是不一致的，真实的因果是喝酒所以头疼，因此这里会有数学上的“辛普森悖论”。

因此，这个场景我们只能说穿鞋睡觉和头疼有相关性，但不能说他们互为因果。即相关 ≠ 因果

1.2.2 因果推断 ＞ 相关性分析

为了对比因果推断和其他的机器学习问题，学术界提出了三层的因果之梯[3][4]：

相关（Association，观察）：解释p(y|x)，即已知x的条件下，y会怎么样。这是大部分场景下机器学习所面对的问题，如上一节所述，相关 ≠ 因果，故常规的机器学习方法无法处理因果问题。以上面的case为例，假设x = 穿鞋睡觉，y=头疼，则该层级会看到两者相关性很高的“假象”。