另外一个辛普森悖论的例子关于房价。10年前，某城市市中心的房价是8000元/平米，共销售了1000万平；高新区是4000元/平米，共销售了100万平；整体来看，该市7636元/平米；现在，市中心10000元/平米，销售了200万平；高新区是6000元/平米，销售了2000万平，整体来看，该市6363元/平米。因此，分区来看分别都涨了，但从整体上看，会有疑惑：为什么现在的房价反而跌了/p>
从因果的角度，辨析腌黄瓜和暴力犯罪之间的关系需要考虑混淆变量。如上图，混淆变量会同时影响独立变量和因果变量，从而造成两者之间的伪相关。如果将传统统计和因果推断进行对比，有以下几个特点：
为了解决上述问题，图灵奖获得者朱迪亚·珀尔提出因果关系之梯。如上图，第一层次是关联，通过概率表达描述出观察到的一堆数据。第二层次是干预，不仅是观察，而且是进行实验改变，例如如果吃了阿司匹林，我的头痛会得到治愈吗果我们禁止吸烟将会发生什么中，吃药和禁止吸烟都是干预手段。第三层次是反事实，在既定结果已经发生的情况，假设当初采取另一方案，则会发生什么。反事实不会得到观察数据，毕竟不存在两个平行世界，但确实经常遇到的情况，经典的就是人们常说的“如若当初……..就不会……”。
反事实问题目前非常难解决，也有很多例子。黑人被警察控制事件，反事实下，就对应：如若白人被警察控制了，会发生什么影视剧中，也常发出如若是另外某个明星参演，票房会有什么变化。这些反事实问题没办法验证，但需要回答。
因果发现需要基于已有的数据找出变量和变量之间的因果关系。目前有两套主流的方法：基于约束以及基于评分的。这两套方法不去详细讲述。但存在的问题是：随着变量的增多，需要检验因果图就会达到天文数字。因此，如何利用机器学习方法反过来提升因果发现，是目前流行的问题。
在机器学习领域中，Pearl的方法本质是基于结构方程，主流方向是用它进行因果解耦。同时，也有一些非因果的方法，例如在SVM空间中进行超平面切分。
此外，因果方法在医疗领域有很多应用。基于结构函数的因果模型，设计因果发现框架，试图超越分子与分子之间的关联性，找出其因果性。具体操作分成两步：第一步发现变量和变量之间，包括潜变量之间的因果图；第二步基于因果图，确定明确的结构函数关系。
目前，我们开发出基于贝叶斯图学习因果模型，超越了传统学习函数步骤，使用因果图进行描述关系，也是分为两步：第一步边定向，需要满足马尔科夫等价条件，使得因果效应最大化；第二步是因果效应评估。目前，该方法已经应用在最具代表性肿瘤特征选择这一课题上。
最后一个应用是人体行为识别。人体识别多是采用传感器和视频流的方式进行，会有前后的因果关系。因此，可以用格兰杰因果方法解决时序因果中的问题。
文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11194 人正在系统学习中
来源：人工智能学家
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！