DirectedProbabilisticModel
类的接口中放置什么,以及在CausalModel
类中放置什么?它们之间是否相互继承?DirectedProbabilisticModel
类的接口中放置什么,以及在CausalModel
类中放置什么?它们之间是否相互继承?《因果推断》是值得一读的书。
两者之间的区别在于一个是因果的,而另一个仅仅是统计学的。在你把我当作“重言式俱乐部”的成员并驳回我的观点之前,请听我说完。
有向概率关系(也称为完备的条件概率表集合,或贝叶斯网络)只包含统计信息。这意味着你可以从联合概率表中推断出任何事情,同样的,你可以从有向概率关系中推断出任何事情,没有多余的信息。两者是等价的。
而因果关系则是完全不同的。因果关系(也称为因果贝叶斯网络)必须指定在任何变量干预下会发生什么。干预是指将变量强制设置为模型正常影响范围之外的值。这相当于使用一个新的表格替换被强制设置的变量(或变量,但为了简单起见,我们只考虑一个变量)的条件概率,使该变量以概率为1取其强制值。
如果您不理解,请跟进联系我,我会进一步解释。
本节是为了回答Neil在评论中提出的问题而添加的
Neil问:
在没有进行干预的情况下,如何确定有向概率关系的方向?换句话说,有向图模型是否具有因果信息(即条件于干预的概率信息)?
你可以通过做出额外的非统计学假设来确定有向概率关系的方向。这些假设通常包括:假设没有隐藏变量,以及真正重要的假设是,假定在联合分布中发现的条件独立关系是稳定的(即它们存在不是由于偶然或抵消)。贝叶斯网络不做这些假设。
有关如何恢复方向的详细信息,请查阅IC、PC和IC*算法。我认为IC的具体细节在《推断因果关系的理论》一文中有介绍。
有向图模型是一种编码变量之间因果关系的方式。 概率图模型是一种以概率方式编码因果关系的方法。 我建议阅读由Judea Pearl撰写的this书籍,他是该领域的先驱之一(我在您在评论中提到的论文中看到您提到了他)。
有向图仅仅是一个带有方向的图形(节点和边缘)。因果模型是告诉您变量如何相互影响的模型,其中一种方法是使用有向图。人工智能研究表明,确定性因果关系不足以编码我们周围世界的知识,因为它太混乱了。这就是为什么概率被加入到这个领域的原因。