结构性机甲旋风土豆 (第3/5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。

干预（Intervention，行动）：解释p(y|do(x),z)，即做某个行为x后，y是怎么样的。比如上面的例子，干预穿鞋睡觉的行为x，单独分析穿鞋睡觉（即do(x) = 1）和不穿鞋睡觉(do(x) = 0)，在不同喝酒状态下的头疼（y）分布。这个层面可以分析出穿鞋睡觉对头疼可能无影响。但无法判断每个人穿鞋睡觉会不会导致头疼，因为观察不到。

反事实（counterfactual，想象）：解释行为x对结果y的影响，即我做了x和不做x，对结果y的影响程度。这是因果推断要解决的问题，比如上面的例子，我不仅看到每个人不穿鞋睡觉头不痛的现象，还能反事实的推断出每个人穿鞋睡觉头不疼，进而得出穿鞋睡觉对头疼的具体影响程度。

上面的解释说明，相关 ＜ 干预 ＜ 反事实（即解决反事实问题的方法可以处理干预和相关问题，反之不成立）。传统的机器学习方法是处理相关性问题的，而因果推断关注反事实层。因此因果推断能解释的事情，将比传统的机器学习方法更“高级”，也更贴合日常的需要

2. 基础理论

2.1 业界流派

因果推断是根据一个结果发生的条件对因果关系得出结论的过程。存在两种研究方法[5]

实验性研究：通过大量随机对照实验（Rct）得出结论。因果推断的难点在于反事实，因此对照实验需要“足够随机”。对上面的例子而言，我们需要在实验组和对照组中确保喝酒的比例是均等的。这是代价昂贵且费时费力的。