機器學習平台Azure Machine Learning Studio中的因果分析，可以透過端對端自動化框架回答因果問題。
譯者 | 李睿
審校 | 孫淑娟
在不同的場景中，常用的機器學習建模技術可能會誤解資料中的真實關係。因此在這裡試圖改變這種範式，以基於估計因果關係和衡量目標關鍵績效指標（KPI）結果的治療效果，找到超越虛假相關性的可操作見解。
假設獲得了某家企業在過去一年某一產品的歷史數據或觀察數據，面這一產品有5%的顧客流失，那麼這家企業的目標就是透過進行有針對性的活動來降低流失率。通常會建立經典的客戶流失預測性傾向模型（傾向性評分－客戶行為的協變量流失機率），並透過選擇門檻規定折扣或向客戶追加銷售/交叉銷售。
現在，企業管理人員想要預測客戶流失的有效性，例如該公司的客戶是由於促銷活動或行銷活動而保留下來的，還是與其相反?這需要傳統的AB測試標準實驗，實驗需要一些時間，在某些情況下也不可行且成本高昂。
因此需要思考傾向模型以外的問題。具有監督的流失預測是有用的，但不是每次都有用，因為它缺乏在假設情況下推薦下一個最佳行動的建議。針對那些能夠積極回應企業的行銷建議而不會在失敗案例上浪費資金的個人化客戶，從而採取下一個最佳行動/幹預並改變未來結果（例如最大限度地提高保留率）的問題是因果推斷中的提升建模。
在理解消費世界中的某些反事實問題時，例如如果提高或降低零售價格，消費者的行為會如何改變(價格對行為模式的影響是什麼)？如果企業向顧客展示廣告，他們會不會購買產品(廣告對購買的影響)？這其中包括透過因果建模的數據驅動決策。
在通常情況下，預測或預測問題關注的是下個月有多少人會訂閱，而因果問題則是如果某些政策發生改變會發生什麼情況（例如，如果開展一項活動會有多少人訂閱）。
因果分析將更進一步。它旨在推斷數據生成過程的各個方面。藉由這些方面，人們不僅可以推斷靜態條件下事件的可能性，還可以推斷變化條件下事件的動態。這種能力包括預測行動的效果(例如，治療或政策決定)，確定所報告事件的原因，以及評估責任和歸因(例如，事件x對於事件y的發生是否必要或足夠)。
當人們使用監督機器學習使用偽相關模式的預測模型時，隱含地假設事情將像過去一樣繼續。同時，由於基於預測結果做出的決定或採取的行動，正在以經常打破這些模式的一種方式積極地改變環境。
對於決策，需要找到導致結果的特徵，並估計如果特徵發生變化，結果將如何改變。許多數據科學問題是因果問題，在決策場景中，估計反事實很常見。
如果一個行動或治療（T）導致了一個結果（Y） ，當且僅當該行動（T）導致了結果（Y）的改變，保持其他一切不變。因果關係意味著透過改變一個因素，可以改變另一個因素。
例如：如果阿斯匹靈能緩解頭痛，當且僅當阿斯匹靈能使頭痛的情況發生變化。
如果行銷能帶來銷售額的成長，當且僅當行銷活動能夠帶來銷售額的改變，那麼其它一切便能夠保持不變。
因果效應是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)
#因果推論需要領域知識、假設和專業知識。微軟ALICE研究團隊開發了DoWhy和EconML開源程式庫，讓人們的工作和生活更輕鬆。任何因果分析的第一步都是提出一個明確的問題：
因果分析管道：基於深度學習的端到端因果推論(DECI)(微軟專利)。
因果發現-因果識別-因果估計-因果驗證。
此功能是基於模型登錄中擬合模型的解釋，如果對相同變數有因果關係理解，則可以探究可能發生的情況。可以觀察不同特徵的因果效應，並將其與異質效應進行比較，可以觀察到不同的群體，以及什麼特徵或政策對它們最有效。
現代機器學習和深度學習演算法可以在解釋黑盒子演算法的數據中找到複雜的模式，他們的解釋可能意味著機器學習演算法從世界上學到了什麼。
當將這些學習過的機器學習演算法應用到社會中，以製定諸如貸款批准和健康保險政策等政策決策時，它所了解的世界並不一定能很好地反映世界上正在發生的事情。
然而，資料驅動的預測模型是透明的，但不能真正解釋。可解釋性需要一個因果模型(表二謬論證明了這一點)。因果模型可靠地代表了世界上的一些過程。可解釋的人工智慧應該能夠進行推理，從而做出有效的決策，而不會產生偏見。
原文標題：Causal Analysis in Azure Machine Learning Studio to answer your Causal questions through an end-to-end automated framework# ，作者：Hari Hara
以上是透過使用因果機器學習做出有效的可操作決策以優化業務KPI的詳細內容。更多資訊請關注PHP中文網其他相關文章！
