FCI

算法介绍

使用快速因果推断(FCI [1])进行因果发现。

使用方法

from causallearn.search.ConstraintBased.FCI import fci

# default parameters
g, edges = fci(data)

# or customized parameters
g, edges = fci(data, independence_test_method, alpha, depth, max_path_length,
    verbose, background_knowledge, cache_variables_map)

# visualization
from causallearn.utils.GraphUtils import GraphUtils

pdy = GraphUtils.to_pydot(g)
pdy.write_png('simple_test.png')

推荐使用 pydot 进行可视化。如果需要特定的标签名称，请参考此使用示例。

参数

dataset: numpy.ndarray，形状为 (n_samples, n_features)。数据，其中 n_samples 是样本数，n_features 是特征数。

independence_test_method: 独立性检验方法函数。默认值: ‘fisherz’。

  • “fisherz”: Fisher's Z 条件独立性检验。

  • “chisq”: 卡方条件独立性检验。

  • “gsq”: G平方条件独立性检验。

  • “kci”: 基于核的条件独立性检验。(作为一种核方法，其复杂度与样本大小的立方成正比，因此如果样本大小不是很大，它可能会很慢。)

  • “mv_fisherz”: 缺失值 Fisher's Z 条件独立性检验。

(对于更有效的非参数检验，您可以尝试 FastKCI 和 RCIT。这两种实现都还是初步的，可能存在一些问题。)

alpha: 单个偏相关检验的显著性水平。默认值: 0.05。

depth: 用于快速邻接搜索的深度，如果无限制则为 -1。默认值: -1。

max_path_length: 任何判别路径的最大长度，如果无限制则为 -1。默认值: -1。

verbose: 如果应打印或记录详细输出，则为 True。默认值: False。

background_knowledge: BackgroundKnowledge 类。根据指定的因果连接添加先验边。默认值: None。有关详细用法，请参考其使用示例。

cache_variables_map: 此变量是一个包含与缓存相关的变量的映射。如果它不是 None，则应包含 ‘data_hash_key’、‘ci_test_hash_key’ 和 ‘cardinalities’。默认值: None。

show_progress: 当算法进度应在控制台中显示时为 True。默认值: True。

返回值

g: 一个 GeneralGraph 对象，其中 g.graph 是一个 PAG，其末端节点的说明如下所示（表示 G = g.graph）

../../_images/pag.png
edges: list。包含图的边的属性。

  • 如果 edge.properties 具有属性 ‘nl’，则没有潜在混杂因子。否则，可能存在潜在混杂因子。

  • 如果 edge.properties 具有属性 ‘dd’，则它肯定是直接的。否则，它可能是直接的。

  • 如果 edge.properties 具有属性 ‘pl’，则可能存在潜在混杂因子。否则，没有潜在混杂因子。

  • 如果 edge.properties 具有属性 ‘pd’，则它可能是直接的。否则，它肯定是直接的。