就像机器学习库在预测方面所做的那样，“DoWhy” 是一个旨在激发因果思维和分析的 Python 库。DoWhy 提供了一个规范的四步接口来进行因果推断，其重点在于明确建模因果假设并尽可能地验证它们。DoWhy 的关键特性是其最先进的驳斥 API，该 API 可以自动测试任何估计方法的因果假设，从而使推断更加健壮并对非专业人士更易于访问。DoWhy 支持使用后门、前门、工具变量和其他识别方法估计平均因果效应，并通过与 EconML 库集成来估计条件效应 (CATE)。
DoWhy 文档
DoWhy GitHub 仓库
EconML 是一个 Python 包，它应用机器学习技术的强大能力，从观测或实验数据中估计个体化的因果响应。EconML 中提供的估计方法套件代表了因果机器学习的最新进展。通过将单独的机器学习步骤整合到可解释的因果模型中，这些方法提高了“如果...则...”预测的可靠性，并使广泛的用户能够更快、更轻松地进行因果分析。
EconML 文档
EconML GitHub 仓库
如果您是因果推断的新手，快速浏览一下我们在文档中提到的概念和技术可能会有所帮助。我们提供了针对 EconML 量身定制的因果推断高级介绍。
教程
causal-learn 是一个用于因果发现的 Python 包，它实现了经典和最先进的因果发现算法，是 Tetrad 的 Python 翻译和扩展。
causal-learn 文档
CausalTune 是一个用于自动化因果估计器调优和选择的库。
CausalTune 通过对因果估计器进行样本外评分来实现自动估计器调优和选择，特别是使用能量得分。我们对第一阶段模型（用于处理和结果模型）进行自动化超参数调优，并对第二阶段模型（因果估计器）进行超参数调优和模型选择。底层估计器取自 EconML，由 CausalTune 增强，并通过 DoWhy 包装器以统一的方式调用。我们使用 FLAML 进行超参数优化。
CausalTune 文档
CausalTune GitHub 仓库