第三章 从证据到因：当贝叶斯牧师遇见福尔摩斯先生
CHAPTER 3 — From Evidence to Causes: Reverend Bayes Meets Mr. Holmes
电脑侦探波拿巴
- 贝叶斯网络与因果图的关系很简单：因果图就是一个贝叶斯网络，其中的每个箭头都表示一个直接的因果关系，或者至少表明了存在某个因果关系的可能性。反过来，并不是所有的贝叶斯网络都是因果关系网络。而在很多实际应用中这一点并不重要。（75）
贝叶斯牧师与逆概率问题
- 贝叶斯的理论表明可以从一个果推断某个因的概率，即逆概率推理。从因到果是前向概率。（77）
- 数据对于因果不对称是不敏感的。（79）
- 贝叶斯法则在统计学中最重要的应用：可以在判断较为可靠的一个方向上直接估算出条件概率，并利用数学工具推导处在判断较为模糊的另一个方向上的概率。
- 还可以将贝叶斯法则看作一种方法，用以更新对某一特定假设的信念。（81）
- “主观性”，有时被看作贝叶斯网络的一个缺点，但也有一些人认为这是贝叶斯推理的一个强大优势，它允许我们在数学上表达我们的个人经验，并以条理化、易懂的方式将其与数据结合起来。在普通直觉不起作用或情绪可能会导致我们误入歧途的情况下，贝叶斯网络能够引导我们进行正确的推理。（83）
从贝叶斯法则到贝叶斯网络
- 贝叶斯法则无可争议的优势：可以同时在诊断模式（结果推原因，逆概率）和预测模式（原因推结果，前向概率）中运行。（88）
- 任何人工智能都必须建立在模拟我们所知道的人类神经信息处理过程的基础上，并且不确定性下的机器推理必须借助类似的信息传递的体系结构来构建。信息是一个方向上的条件概率和另一个方向上的似然比。（89）
贝叶斯网络：应如何看待数据
-
贝叶斯的逆概率规则是一种形式作为简单的贝叶斯网络。（91）
-
贝叶斯法则告诉我们是如何逆转正向推理的过程，具体做法就是用先验概率×似然比。（91）
-
包含两个连接的三节点网络——“接合”，是所有贝叶斯网络（以及因果网络）的构建模块。（92-94）
-
A—>B—>C ：链
-
A<—B—>C ：叉
B通常被视作A和C的共因，或混杂因子，混杂因子会使A和C在统计学上发生关联，即使他们之间没有直接的因果关系。
-
A—>B<—C ：对撞
与“对撞偏倚”（“辩解效应”）有关
-
我的行李箱在哪里？从亚琛到桑给巴尔
- 贝叶斯网络的两个方面：图示和条件概率表。（95）
- 图示以定性的方式描述了变量之间的关系，条件概率作为定量的输入可以使贝叶斯网络得到一个定量的结果。（95）
真实世界中的贝叶斯网络
- 贝叶斯网络一旦建立，就不需要对其进行干预，告诉它该如何评估新的数据片段。整个网络的更新可以很快完成。这个网络是一体化的，这意味着它作为一个整体对所有的新信息作出反应。（102-103）
- 贝叶斯网络的透明性使它有别于其他机器学习的模型，后者更倾向于制造高深莫测的“黑盒”。（103）
- 因果推断科学的一个目标就是创建更为顺畅的人机接口，比如将调查人员的直觉也纳入信念传播的计算过程。（103）
从贝叶斯网络到因果图⭐
- 从理论和实践的角度看，贝叶斯网络抓住了实现因果图与数据的交互的关键。贝叶斯网络的所有概率性质和在其基础上发展起来的信念传播算法在因果图中仍然有效。（106）
- 贝叶斯网络与因果图的主要区别在于他们的构造和用途。实际上，贝叶斯网络不过是一张巨大的概率表的简洁表示形式。（106）
- 因果图的假设不能是心血来潮地虚构，它必须经过数据地审查，并且是可证伪的。（107）
- 解读因果模型的另一种更加便捷的方法是假设实验。因果图中的每个箭头可以被看作一个假设实验的结果陈述。（107）
- 因果图的图形结构与它所代表的数据之间的关系，允许我们在不进行实际操作的情况下进行模拟调整。（108）
- A <—B—> C，在不进行任何观测的情况下，A和C伪相关。（108）⭐
《THE BOOK OF WHY: THE NEW SCIENCE OF CAUSE AND EFFECT》
——JUDEA PEARL AND DANA MACKENZIE