因果推理工具包（贝叶斯网络/推理）
项目描述
| 主题 | 状态 |
|---|---|
| 最新发布 |  |
| Python版本 |  |
master 分支构建 |
 |
develop 分支构建 |
 |
| 文档构建 |  |
| 许可 |  |
| 代码风格 |  |
什么是CausalNex？
“贝叶斯网络的因果推理工具包。”
CausalNex旨在成为因果推理和“如果...会怎样”分析中使用贝叶斯网络的领先库之一。它有助于简化以下步骤
- 学习因果关系，
- 允许领域专家增强关系，
- 使用数据估计潜在干预措施的效果。
为什么选择CausalNex？
CausalNex建立在我们的集体经验之上，以利用贝叶斯网络来识别数据中的因果关系，从而使我们能够从分析中开发出正确的干预措施。我们开发CausalNex是因为
- 我们认为与传统的基于模式识别和相关性分析的机器学习方法相比，利用贝叶斯网络来描述因果关系更为直观。
- 如果我们能够轻松地在图模型中编码或增强领域专业知识，则因果关系将更加准确。
- 然后我们可以使用图模型来评估底层特征变化的影响，即反事实分析，并识别正确的干预措施。
根据我们的经验，数据科学家通常在找到正确的干预措施之前，需要使用至少3-4个不同的开源库。CausalNex旨在简化因果和反事实分析的端到端过程。
CausalNex的主要功能有哪些？
本库的主要功能包括
- 使用最先进的结构学习方法来理解变量之间的条件依赖关系
- 允许领域知识增强模型关系
- 基于结构关系构建预测模型
- 拟合贝叶斯网络的概率分布
- 使用标准统计检查评估模型质量
- 通过可视化简化贝叶斯网络中因果关系的理解
- 使用Do-calculus分析干预措施的影响
我如何安装CausalNex？
CausalNex是一个Python包。要安装它，只需运行
pip install causalnex
使用all进行依赖项的完整安装
pip install "causalnex[all]"
请参阅我们的安装指南，包括如何设置Python虚拟环境，并查看我们的教程以开始使用。
我如何使用CausalNex？
您可以在此处找到最新稳定版本的文档。它解释了
注意：您可以在
docs/source中找到用于构建文档的笔记本和markdown文件。
我可以贡献吗？
是的！我们非常欢迎您加入我们，帮助我们构建CausalNex。请查看我们的贡献文档。
我如何升级CausalNex？
我们使用SemVer进行版本控制。安全升级的最佳方法是检查我们的发布说明，以查看任何显著的破坏性更改。
我如何引用CausalNex？
您可以通过点击此存储库的“关于”部分下的“引用此存储库”，以获取APA和BibTeX格式的引用信息。
您使用什么许可证？
请参阅我们的LICENSE以获取更多信息。
我们在招聘！
您想成为构建CausalNex和其他优秀产品的团队的一员吗？如果是这样，您很幸运！QuantumBlack目前正在招聘热爱使用数据来驱动其决策的机器学习工程师。请查看我们的空缺职位，看看您是否适合。
下载文件
下载适合您平台的文件。如果您不确定选择哪个，请了解更多关于安装包的信息。
源分布
causalnex-0.12.1.tar.gz (112.7 kB 查看哈希值)
构建版本
causalnex-0.12.1-py3-none-any.whl (153.9 kB 查看哈希值)
关闭
causalnex-0.12.1.tar.gz 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 6b6d69e7fcdfb234e28d4ed41deac3935810f0c74d4f629eae1d72789f087437 |
|
| MD5 | 384b8788b2c6338857b65be7cdd28897 |
|
| BLAKE2b-256 | 0c7c1698630b3dd6972bcdc4eb3569f35fd55aba4393cdb50e71cb3b63e1366a |
关闭
causalnex-0.12.1-py3-none-any.whl 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | 1328cfc240e53f6effd03974bc3282d15b085ad5f3becb118f1da02516126ed3 |
|
| MD5 | a22a9cb6cc41e03940f8132bf144a201 |
|
| BLAKE2b-256 | f3478458f3d575f7b20cac3a7fc3480e010606cbe00fb7f9f598c6588d966afc |