基于Lempel-Ziv复杂度的因果发现与分类

推断机器学习算法决策过程中的因果关系是实现可解释人工智能的关键步骤。在本研究中，我们引入了一种新颖的因果度量以及源自Lempel-Ziv（LZ）复杂度的距离度量。我们探讨了所提出的因果度量如何通过在决策树中基于最能"导致"结果的特征进行分裂来加以应用。我们进一步评估了基于因果的决策树和基于距离的决策树相对于传统基于Gini不纯度的决策树的分类效果。虽然所提出的方法整体上展现出可比的分类性能，但基于因果的决策树在由因果模型生成的数据集上显著优于基于距离的决策树和基于Gini的决策树。这一结果表明，所提出的方法能够捕捉超越经典决策树的洞察力，尤其是在具有因果结构的数据中。基于LZ因果度量决策树中使用的特征，我们为数据集中的每个特征引入因果强度，以推断导致结果发生的主导因果变量。