数值数据因果发现算法的综合综述与实证评估

因果分析已成为理解各种领域现象背后原因的关键组件。尽管其重要性显而易见，但现有文献关于因果发现算法是碎片化的，方法论不一致，即不存在通用的分类标准，评估不全面，即往往忽略数据特征在基准测试中的联合分析。本研究通过对数值数据进行详尽的综述和实证评估，填补了这些差距，旨在提供对该领域更清晰、更结构化的理解。我们的研究从跨越两十多年的全面文献综述开始，分析了超过200篇学术论文，识别出超过40个具有代表性的算法。这一广泛分析导致我们开发了一种针对因果发现复杂性的结构化分类法，将方法分为六大类型。为了解决评估不全面的问题，我们在多个合成和真实数据集上对29个因果发现算法进行了广泛的实证评估。我们根据数据集的大小、线性程度和噪声分布对合成数据集进行分类，采用五个评估指标，并总结了前三名算法的推荐情况，为用户在各种数据场景下提供指导指南。我们的结果突显了数据集特征对算法性能的显著影响。此外，开发了准确率超过80%的元数据提取策略，以帮助用户在面对未知数据集时进行算法选择。基于这些见解，我们提供了专业且实用的指南，帮助用户为其特定数据集选择最合适的因果发现方法。