是什么因果模型，并指示图形模型之间的区别？

Question

是什么因果模型，并指示图形模型之间的差异？是什么因果关系，并指示概率关系有什么区别？更具体地说，你会放在一个DirectedProbabilisticModel类的接口，以及什么在CausalModel类？从其他将一个继承？

Answer 1

有两种类型的因果模型：介入模型和反模型。所有定向图形模型可以观测上的理由。一种介入模型是针对图形模型，可以用理由观测和介入的证据。甲反模型可以与原因观测，介入，和反证据（干预其源为在模型中的推断）。

在几年前的私人电子邮件，明珠写信给我说：

  

根据定义，模式是假设的列表，并且假设从不“已知是真正的”。它们可通过理论或数据，或者实验来证实。但他们的层次结构中的位置由他们声称，没有他们原来的地方什么决定的。

Answer 2

因果由犹太珍珠是书阅读。

不同的是，一个是的因果并另一种是仅仅的统计即可。前解雇我作为同义反复俱乐部的成员，听我通过。

一个定向概率关系（AKA全套条件概率表的，AKA贝叶斯网络）仅包含统计信息。这意味着什么，你可以从联合概率表推断可以从定向概率关系推断，仅此而已，无所不及。这两个是等价的。

一个因果关系完全是另一回事。因果关系（AKA因果贝叶斯网络）必须指定在任何变量干预会发生什么。当变量被强制为模型的正常影响的值以外的干预是。这相当于替代的条件概率的强制变量（或变量，但我们认为只是一个为简单起见） 用一个新的表，其中可变取其强制值以概率1。

如果这是没有意义的，请跟进，我会澄清。

此部分添加到地址尼尔的问题在评论

尼尔问：

  

你怎么能确定的方向   针对概率关系   而不进行干预？在   换句话说，不定向   图形模型有无因果   在它的信息（即，信息   关于概率有条件的   干预？）

可以通过使额外的非统计假设确定定向概率关系的方向。这些假设通常包括：假设没有隐藏变量，真正重要的，假设条件独立关系的联合分布发现是稳定的（这意味着他们偶然或取消不存在）。贝叶斯网络做的不可以让这些假设。

有关的如何恢复方向细节考证IC，PC，和IC *算法。我相信IC的具体细节涵盖：“推断因果论”

Answer 3

如果我明白此篇正确，休闲模式和定向图形模型（贝叶斯网络）针对工作流的不同阶段。一个偶然的模型是一个分配的依赖性，使得它们反映因果关系的一种方式。贝叶斯网络为我们提供了推理技术。因此，可以使用不同的东西进行估计。在另一方面，可以使用不同的技术比SCM建模的贝叶斯网络。

如果你深入研究它更深，请让我们知道，因为我不完全理解SCM的主题（而我想：）

。

Answer 4

定向性图形模型的是编码变量之间的因果关系的一种方式。 概率图形模型是概率性方式编码的因果关系的一种方式。 我会推荐阅读由犹太珍珠写了这本书是谁的先驱之一场（其中我看你指的是你在评论中提及的文件）。

有向图仅仅是一个曲线图，其被引导（节点和边）（边缘具有方向）。因果模型的模型，告诉你变量如何影响这样做，是用有向图的相互的一种方式。人工智能的研究表明，确定性的因果关系是不够的我们周围的世界的编码知识，因为实在是太乱了。这就是为什么概率加入到该图片。