1. 课程导论：因果特征预测的定义、为什么需要集成多样性、课程目标与学习路径
1.1 因果特征预测的定义
因果特征预测（Causal Feature Prediction）是一类将因果推断与机器学习预测相结合的建模任务。其核心目标不是单纯拟合观测数据中的统计关联，而是识别并利用具有因果解释力的特征来预测目标变量在干预或分布偏移下的表现。
| 维度 | 传统统计预测 | 因果特征预测 |
|---|---|---|
| 目标 | 最小化观测误差（MSE/LogLoss） | 在干预/分布外保持预测稳定性 |
| 特征选择依据 | 相关性、互信息、特征重要性 | 因果结构、后门/前门准则、工具变量 |
| 对分布偏移的鲁棒性 | 弱（过拟合虚假关联） | 强（依赖因果机制而非表面相关） |
| 典型应用场景 | 推荐系统、广告点击率预估 | 药物疗效预测、政策效果评估、反事实推理 |
关键洞察： 因果特征预测的本质是“用因果图做特征工程”——将领域因果知识编码为特征变换，使模型在环境变化时仍能保持可靠的预测能力。
1.2 为什么需要集成多样性
在因果特征预测中，单一模型容易陷入以下困境：
- 因果结构不确定性：真实因果图未知，不同专家可能给出不同的 DAG 假设。
- 估计方法偏差：IPW、Doubly Robust、Causal Forest 等估计器各有偏倚-方差权衡。
- 特征空间高维稀疏：因果特征往往只占全部特征的 5%~15%，单一模型容易遗漏关键变量。
集成多样性（Ensemble Diversity） 通过组合多个“因果视角”不同的基学习器，达到以下效果：
- 降低因果结构误设风险：不同 DAG 假设下的预测结果加权，抵消单一错误图结构的影响。
- 提升分布外泛化能力：多样性迫使集成成员关注不同的因果信号，避免集体过拟合。
- 提供不确定性量化：成员间的预测方差可作为因果置信度的天然代理指标。
工程经验： 在因果特征预测场景中，集成多样性带来的 AUC 提升通常在 0.03~0.08 之间，且对特征选择稳定性有显著改善（特征重复率从 40% 提升至 75%+）。
1.3 课程目标与学习路径
本课程旨在帮助学员掌握一套可工程落地的集成多样性增强方法论，覆盖从因果图构建到集成模型部署的全链路。课程学习路径分为四个阶段：
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1~5 章 | 因果特征预测的形式化定义、多样性度量指标、基学习器构建规范 |
| 方法篇 | 第 6~15 章 | 基于 DAG 采样、特征子空间、损失函数扰动的多样性增强算法 |
| 工程篇 | 第 16~25 章 | 分布式训练、模型压缩、在线推理、A/B 测试框架 |
| 实战篇 | 第 26~30 章 | 电商因果预测、医疗反事实推断、金融政策评估三个完整案例 |
下图展示了本课程的核心技术架构与学习路径：
1.4 学习预备与工具栈
本课程要求学员具备以下基础：
- 机器学习基础：熟悉决策树、随机森林、梯度提升、逻辑回归等经典模型。
- 因果推断入门：了解 DAG、后门准则、工具变量、ATE/CATE 等基本概念。
- 工程能力：Python 编程、NumPy/Pandas/Sklearn 基础操作。
课程中使用的核心工具栈如下：
| 工具/库 | 用途 | 课程章节 |
|---|---|---|
| DoWhy + EconML | 因果图构建、因果效应估计 | 第 3~8 章 |
| Scikit-learn / XGBoost | 基学习器训练与集成 | 第 4~15 章 |
| Ray / Spark | 分布式集成训练 | 第 16~20 章 |
| MLflow / Weights & Biases | 实验追踪与多样性度量 | 第 21~25 章 |
注意： 本课程不要求学员具备因果推断的数学证明能力，但需要能够理解因果图的基本语义和常见估计器的输入/输出接口。所有算法都会提供可运行的代码模板。