「因果性机器学习」书册，88页pdf概述机器学习中的因果推理

近年来，机器学习取得了显著进展，提供了一些新功能，比如创建复杂的、可计算的文本和图像表示。这些功能催生了新产品，如基于图像内容的图像搜索、多种语言之间的自动翻译，甚至是真实图像和声音的合成。同时，机器学习已经在企业中被广泛采用，用于经典的用例(例如，预测客户流失、贷款违约和制造设备故障)。

在机器学习取得成功的地方，它是非常成功的。

在许多情况下，这种成功可以归因于对大量训练数据的监督学习(结合大量计算)。总的来说，有监督的学习系统擅长于一项任务:预测。当目标是预测一个结果，并且我们有很多这个结果的例子，以及与它相关的特征时，我们可能会转向监督学习。

随着机器学习的普及，它在业务流程中的影响范围已经从狭窄的预测扩展到决策制定。机器学习系统的结果经常被用来设定信用限额，预测制造设备故障，以及管理我们的各种新闻推送。当个人和企业试图从这些复杂和非线性系统提供的信息中学习时，更多(和更好)的可解释性方法已经被开发出来，这是非常重要的。

然而，仅仅基于预测的推理有一些基本的限制。例如，如果银行提高客户的信用额度会发生什么?这些问题不能用建立在先前观察到的数据上的相关模型来回答，因为它们涉及到客户选择的可能变化，作为对信用限额变化的反应。在很多情况下，我们的决策过程的结果是一种干预——一种改变世界的行动。正如我们将在本报告中展示的，纯粹相关的预测系统不具备在这种干预下进行推理的能力，因此容易产生偏差。对于干预下的数据决策，我们需要因果关系。

即使对于纯粹的预测系统(这是监督学习的强项)，应用一些因果思维也会带来好处。根据因果关系的定义，它们是不变的，这意味着它们在不同的情况和环境中都是正确的。对于机器学习系统来说，这是一个非常理想的特性，在机器学习系统中，我们经常根据我们在训练中没有看到的数据进行预测;我们需要这些系统具有适应性和健壮性。

因果推理和机器学习的交集是一个迅速扩展的研究领域。它已经产生了可供主流采用的功能——这些功能可以帮助我们构建更健壮、可靠和公平的机器学习系统。

本书介绍了因果推理，因为它涉及很多数据科学和机器学习工作。我们引入因果图，着重于消除理解的概念障碍。然后我们利用这个理解来探索关于不变预测的最新想法，它给高维问题带来了因果图的一些好处。通过附带的原型，我们展示了即使是经典的机器学习问题，如图像分类，也可以从因果推理工具中受益。