?譯者 | 李睿

審校 | 孫淑娟 ?

在不同的場(chǎng)景中，常用的機(jī)器學(xué)習(xí)建模技術(shù)可能會(huì)誤解數(shù)據(jù)中的真實(shí)關(guān)系。因此在這里試圖改變這種范式，以基于估計(jì)因果關(guān)系和衡量目標(biāo)關(guān)鍵績(jī)效指標(biāo)（KPI）結(jié)果的治療效果，找到超越虛假相關(guān)性的可操作見解。?

因果機(jī)器學(xué)習(xí)的動(dòng)機(jī)?

假設(shè)獲得了某家企業(yè)在過(guò)去一年某一產(chǎn)品的歷史數(shù)據(jù)或觀察數(shù)據(jù)，面這一產(chǎn)品有5%的顧客流失，那么這家企業(yè)的目標(biāo)是通過(guò)開展有針對(duì)性的活動(dòng)來(lái)降低流失率。通常會(huì)構(gòu)建經(jīng)典的客戶流失預(yù)測(cè)性傾向模型（傾向性評(píng)分——客戶行為的協(xié)變量流失概率），并通過(guò)選擇閾值規(guī)定折扣或向客戶追加銷售/交叉銷售。?

現(xiàn)在，企業(yè)管理人員想要預(yù)測(cè)客戶流失的有效性，例如該公司的客戶是由于促銷活動(dòng)或營(yíng)銷活動(dòng)而保留下來(lái)的，還是與其相反?這需要傳統(tǒng)的AB測(cè)試標(biāo)準(zhǔn)實(shí)驗(yàn)，實(shí)驗(yàn)需要一些時(shí)間，而且在某些情況下也不可行并且成本高昂。?

因此需要思考傾向模型之外的問(wèn)題。具有監(jiān)督的流失預(yù)測(cè)是有用的，但不是每次都有用，因?yàn)樗狈υ诩僭O(shè)情況下推薦下一個(gè)最佳行動(dòng)的建議。針對(duì)那些能夠積極響應(yīng)企業(yè)的營(yíng)銷建議而不會(huì)在失敗案例上浪費(fèi)資金的個(gè)性化客戶，從而采取下一個(gè)最佳行動(dòng)/干預(yù)并改變未來(lái)結(jié)果（例如最大限度地提高保留率）的問(wèn)題是因果推斷中的提升建模。?

在理解消費(fèi)世界中的某些反事實(shí)問(wèn)題時(shí)，例如如果提高或降低零售價(jià)格，消費(fèi)者的行為會(huì)如何改變(價(jià)格對(duì)行為模式的影響是什么)？如果企業(yè)向顧客展示廣告，他們會(huì)不會(huì)購(gòu)買產(chǎn)品(廣告對(duì)購(gòu)買的影響)？這其中包括通過(guò)因果建模的數(shù)據(jù)驅(qū)動(dòng)決策。 ?

在通常情況下，預(yù)測(cè)或預(yù)測(cè)問(wèn)題關(guān)注的是在下個(gè)月有多少人會(huì)訂閱，而因果問(wèn)題則是如果某些政策發(fā)生改變會(huì)發(fā)生什么情況（例如，如果開展一項(xiàng)活動(dòng)會(huì)有多少人訂閱）。?

因果分析將更進(jìn)一步。它旨在推斷數(shù)據(jù)生成過(guò)程的各個(gè)方面。借助這些方面，人們不僅可以推斷靜態(tài)條件下事件的可能性，還可以推斷變化條件下事件的動(dòng)態(tài)。這種能力包括預(yù)測(cè)行動(dòng)的效果(例如，治療或政策決定)，確定所報(bào)告事件的原因，以及評(píng)估責(zé)任和歸因(例如，事件x對(duì)于事件y的發(fā)生是否必要或足夠)。 ?

當(dāng)人們使用監(jiān)督機(jī)器學(xué)習(xí)使用偽相關(guān)模式的預(yù)測(cè)模型時(shí)，隱含地假設(shè)事情將像過(guò)去一樣繼續(xù)。與此同時(shí)，由于基于預(yù)測(cè)結(jié)果做出的決定或采取的行動(dòng)，正在以經(jīng)常打破這些模式的一種方式積極地改變環(huán)境。?

從預(yù)測(cè)到?jīng)Q策?

對(duì)于決策，需要找到導(dǎo)致結(jié)果的特征，并估計(jì)如果特征發(fā)生變化，結(jié)果將如何改變。許多數(shù)據(jù)科學(xué)問(wèn)題是因果問(wèn)題，在決策場(chǎng)景中，估計(jì)反事實(shí)很常見。?

• A/B實(shí)驗(yàn)：如果改變網(wǎng)站上按鈕的顏色，它是否會(huì)帶來(lái)更高的參與度？?
• 政策決策：如果采用這種治療/政策，它將如何導(dǎo)致結(jié)果的改變?這會(huì)帶來(lái)更健康的病人/更多的收入嗎? ?
• 政策評(píng)估：企業(yè)在過(guò)去所做的改變或直到現(xiàn)在所知道的，以及結(jié)果變化的方式，制定的政策是幫助還是阻礙了試圖改變的產(chǎn)品? ?
• 信用歸因：人們購(gòu)買商品是因?yàn)榭吹搅藦V告嗎?他們會(huì)購(gòu)買嗎? ?

什么是因果關(guān)系和因果效應(yīng)? ?

如果一個(gè)行動(dòng)或治療（T）導(dǎo)致了一個(gè)結(jié)果（Y），當(dāng)且僅當(dāng)該行動(dòng)（T）導(dǎo)致了結(jié)果（Y）的改變，保持其他一切不變。因果關(guān)系意味著通過(guò)改變一個(gè)因素，可以改變另一個(gè)因素。?

例如：如果阿司匹林能緩解頭痛，當(dāng)且僅當(dāng)阿司匹林能使頭痛的情況發(fā)生變化。?

如果市場(chǎng)營(yíng)銷能夠帶來(lái)銷售額的增長(zhǎng)，當(dāng)且僅當(dāng)營(yíng)銷活動(dòng)能夠帶來(lái)銷售額的改變，那么其它一切便能夠保持不變。?

因果效應(yīng)是Y隨T的單位變化而變化的幅度，而不是相反：?

Causal effect = E [Y | do(T=1)] - E [Y | do (T = 0)] (Judea Pearl’s Do-Calculus) ?

因果推斷需要領(lǐng)域知識(shí)、假設(shè)和專業(yè)知識(shí)。微軟ALICE研究團(tuán)隊(duì)開發(fā)了DoWhy和EconML開源庫(kù)，讓人們的工作和生活更輕松。任何因果分析的第一步都是提出一個(gè)明確的問(wèn)題：?

• 對(duì)什么治療/行動(dòng)感興趣? ?
• 想考慮什么樣的結(jié)果? ?
• 哪些混雜因素可能與結(jié)果和治療相關(guān)? ?

因果分析管道：基于深度學(xué)習(xí)的端到端因果推斷(DECI)(微軟專利)。 ?

因果發(fā)現(xiàn)-因果識(shí)別-因果估計(jì)-因果驗(yàn)證。 ?

負(fù)責(zé)任的人工智能儀表板(Azure Machine Learning Studio) ：原因分析?

該功能基于對(duì)模型注冊(cè)表中擬合模型的解釋，如果對(duì)相同變量有因果關(guān)系理解，則可以探究可能發(fā)生的情況?？梢杂^察不同特征的因果效應(yīng)，并將其與異質(zhì)效應(yīng)進(jìn)行比較，可以觀察到不同的群體，以及什么特征或政策對(duì)它們最有效。?

• DECI：提供了一個(gè)端到端因果推斷的框架，也可以單獨(dú)用于發(fā)現(xiàn)或估計(jì)。?
• EconML：提供多種因果關(guān)系估計(jì)方法。?
• DoWhy：提供多種識(shí)別和驗(yàn)證方法。?
• ShowWhy：在用戶友好的圖形用戶界面（GUI）中為因果決策提供無(wú)代碼端到端因果分析。?

總結(jié)?

現(xiàn)代機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法可以在解釋黑盒算法的數(shù)據(jù)中找到復(fù)雜的模式，他們的解釋可能意味著機(jī)器學(xué)習(xí)算法從世界上學(xué)到了什么。?

當(dāng)將這些學(xué)習(xí)過(guò)的機(jī)器學(xué)習(xí)算法應(yīng)用到社會(huì)中，以制定諸如貸款批準(zhǔn)和健康保險(xiǎn)政策等政策決策時(shí)，它所了解的世界并不一定能很好地反映世界上正在發(fā)生的事情。?

然而，數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型是透明的，但不能真正解釋。可解釋性需要一個(gè)因果模型(表二謬論證明了這一點(diǎn))。因果模型可靠地代表了世界上的一些過(guò)程?？山忉尩娜斯ぶ悄軕?yīng)該能夠進(jìn)行推理，從而做出有效的決策，而不會(huì)產(chǎn)生偏見。?

原文標(biāo)題：??Causal Analysis in Azure Machine Learning Studio to answer your Causal questions through an end-to-end automated framework??，作者：Hari Hara

?