2.1.2 因果路径：后门、前门、叉路

文档摘要

2.1.2 因果路径：后门、前门、叉路 2.1.2 因果路径：后门、前门、叉路想象一下，你在设计一个推荐系统，想评估“推送通知”是否真正提升了用户点击率。直觉告诉你，通知确实起作用，但数据中总有诡异的偏差：高活跃用户既爱收通知，也爱点击。这就是因果推断的战场——隐藏的路径在作祟。作为一名深耕因果机器学习的前线工程师，我每天都在Pearl的因果图框架中搏杀。这些路径不是抽象理论，而是代码里的血肉：后门路径像潜伏的混杂因子，前门路径是可靠的中介通道，叉路则是共同原因的岔口。掌握它们，不是记住定义，而是能用算法精准切断偏差，输出可信的因果效应。 Pearl的因果图（Causal DAG）用有向无环图捕捉变量间因果依赖：节点是变量，箭头是因果方向。