使用机器学习模型估计因果概率

因果概率在现代决策中发挥关键作用。本文解决了使用机器学习模型预测数据不足子人口的因果概率问题。Tian 与 Pearl 首次定义并推导了三种基本因果概率的紧致界限：概率必要性与充分性（PNS）、概率充分性（PS）和概率必要性（PN）。然而，估计这些概率需要针对每个子人口的实验与观察分布，这些分布往往不可得或在数据有限的情况下不切实际。我们假设每个子人口的因果概率由其特征决定。为估计数据不足子人口的因果概率，我们提出使用机器学习模型，从数据充足的子人口中获取灵感。我们对多种机器学习模型进行评估，表明在数据充足且选择恰当的机器学习模型与激活函数的情况下，可有效预测 PNS。通过仿真研究，我们展示，使用 Mish 激活函数的多层感知机（MLP）模型在约 2000 个子人口的数据上，能以约 0.02 的平均绝对误差（MAE）准确预测 32768 个子人口的 PNS。