本章主要讲解一下在连续特征值的情况下如何进行因果图的挖掘。之前的介绍中节点的属性大部分以是否值为主。之前讲的优化的框架是如下的公式表达。max F(A)s.t.G(A)∈DAGs(1.1)max\ F(A) \\s.t.G(A) \in DAGs \tag{1.1}max F(A)s.t.G(A)∈DAGs(1.1)A 为因果结构的邻接矩阵,G(A)为A 所对应的有向无环图，DAGS 是所有可能的

本章节中咱们来聊聊如何发现一个因果结构，先给出因果的框架长成什么样子。一组变量V的因果结构是一个有向无环图，其中每个节点对应的V的一个变量，每个连接表示对应变量之间的直接函数关系。

之前的章节中咱们已知介绍给定因果图关系以后如何分析图中各个因素之间的关系，对撞路径等等。今天这篇文章中咱们主要介绍一下贝叶斯网络的雏形，开启因果推断的核心区域的探索。条件独立与图咱们在训练模型的时候经常会说条件变量独立，或者是独立同分布这样的名词，那么条件独立怎么在因果中使用并且怎么给出一个比较客观的定义呢？令V={V1,V2...}V=\{V_{1}, V_{2}...\}V={V1​,V2​.