隨著計算機系統(tǒng)在各領(lǐng)域（例如醫(yī)療、教育、政府機關(guān)）的應用，正確預測并理解這些設備的因果影響是非常重要的。沒有A/B測試，建立在模式識別和相關(guān)性分析上的傳統(tǒng)的機器學習方法，是不足以解釋因果推理的。

與用來預測的機器學習庫類似，微軟研究院推出的DoWhy是一種引起因果思考和分析的Python庫，它提供了一個統(tǒng)一的界面進行因果推理，并對許多假設進行自動測試，讓非專業(yè)人士也能進行推理。該成果在最近舉辦的KDD 2018上做出了展示，以下是論智對其進行的大概介紹。

在《告別曲線擬合：因果推斷和do-Calculus簡介》一文中我們講到，因果推斷區(qū)分了人們可能想要估計的兩種條件分布。在機器學習中，我們通常只會估計一種分布，但在某種情況下，我們可能也需要估計第二種。因果推斷關(guān)注的是一些基礎(chǔ)問題，它能幫我們回答“如果我們對x做了什么，那……”的問題，而這些問題通常需要對照試驗和明確的干預措施來解決。

幾十年來，社會科學和生物醫(yī)學中，因果推斷方法的使用十分廣泛。隨著計算機在我們的工作和日常生活中所占比例越來越大，因果關(guān)系問題在計算機科學中的重要性也不斷增加。為了解決這個廣泛的問題，我們推出了一個新的軟件庫——DoWhy（名稱來源于Judea Pearl的do-calculus）。除了為常見的因果推斷方法提供一個程序設計界面，DoWhy的設計還是為了顯示常被忽略的因果分析假設。所以，DoWhy的特點之一就是會讓潛在的假設更容易理解。另外，DoWhy可以進行敏感度分析和其他魯棒性檢查。我們的目的是讓人們關(guān)注他們在對因果推斷做假設時的思考而不是其中的細節(jié)

過去幾年對因果推斷的研究，讓我們產(chǎn)生了創(chuàng)造DoWhy的想法，不論是估計推薦系統(tǒng)的影響，還是預測可能的成果，都對此有所啟發(fā)。在每項研究中，我們總會重復以下步驟：找到正確的辨別策略、設計最合適的估計器、檢查魯棒性，每次都要從頭開始。有時，面對大量有關(guān)因果推理的材料，進行實證推理就非常困難。想要理解我們的假設并證明它們，是很有挑戰(zhàn)性的工作。

所以我們思考，能否創(chuàng)建一個軟件庫，通過簡單的界面進行因果推斷。但不幸的是，因果推斷取決于對未知數(shù)量的估計，這也是因果推斷的基本問題。與監(jiān)督學習不同，我們無法從現(xiàn)有的測試集中得出客觀的評估，所以，在因果推斷中無法建立即時可用的方法。例如，對任何方法來說，例如新的算法或醫(yī)療處理過程，人們可以觀察當他們被干預時發(fā)生了什么，或不被干預時會發(fā)生什么，但無法同時觀察兩種情況。所以，因果分析和數(shù)據(jù)生成過程中的假設有著重要的關(guān)系。

為了達到我們的目標，我們明白假設應該是因果推斷庫中最重要的因素。我們在設計DoWhy時考慮了兩個指導原則——讓因果假設易于理解，同時測試預測對違反假設的魯棒性。

首先，DoWhy對辨別（identification）和估計（estimation）做了區(qū)分。對因果效應進行標人需要對數(shù)據(jù)生成過程做假設，同時還要從虛擬表示中具體說明目標被估量。估計過程完全是數(shù)據(jù)問題，所以辨別過程是最耗時的。為了正式表示假設，DoWhy利用貝葉斯圖模型框架，從中用戶可以詳細了解他們想知道的東西，更重要的是，知道他們此前不知道的有關(guān)數(shù)據(jù)生成過程的事。對于估計，我們提供了基于潛在輸出框架的方法，例如匹配、分層和輔助變量。使用DoWhy時還有一個“愉悅”的副作用，那就是你會發(fā)現(xiàn)看似分散的圖模型和潛在輸出框架其實是互通對等的。

將對因果影響的辨別和估計區(qū)分開

然后，一旦做出了假設，DoWhy會提供魯棒性檢測和敏感性檢查，來檢查估計的可靠性。由于潛在的假設多種多樣，你可以測試估計是如何變化的，例如，通過加入一個新的干擾項或用“安慰劑”進行替換。不論哪種方法，DoWhy庫都會基于圖模型的假設自動檢查得出的估計的有效性。不過我們依然知道自動檢測不完美。所以，DoWhy會著重對輸出進行解讀。在分析的任何階段，你都可以查看未經(jīng)測試的假設、經(jīng)過辨認的被估量以及得出的估計（如果有的話）。

在四行代碼中進行因果推斷。DoWhy的簡單運行

未來，我們期待在庫里增加更多特征，包括支持更多的估計和敏感性的方法，以及與其他可用的估算軟件進行互通。

Jupyter notebook：causalinference.gitlab.io/dowhy/