What If 分析与智能文本模式发现
基于因果模型的 What-if 分析
“what if”分析是一种常用的假设分析方法，旨在通过探究不同情况下可能发生的结果，来帮助人们更好地了解事物之间的关联关系。它通常用于分析某个事件发生后可能的影响，或探究在某种情况下采取不同行动会导致什么样的结果。
在RATH中，在完成了因果发现后，你可以基于一个已有的因果模型，进行what if 分析。通过控制一个或多个因素进行变动（增大后减小），来了解其他变量会受到怎样的影响。
使用DECI进行What If分析
为了更好的实现what If分析，RATH新增了一些深度因果发现算法，如DECI，可以发现高维数据中的非线性影响关系，借助深度学习去学习这些关系，并用于预测推断。
DECI (Deep End-to-end Causal Inference) 算法是一种基于深度学习的因果推断方法。它通过建立一个深度神经网络来建模因果关系，并通过模型的学习来估计因果关系的参数。在实践中，它可以用来预测一个事件对另一个事件的影响，或者用于估计一个措施对一个结果的影响。
如下图数据集所示，研究戒烟和体重的影响关系。这里我们先借助RATH的因果发现，自动生成因果关系图。然后进入what if模块，将戒烟选为自变量，对其进行调整，将其调大，RATH会对“戒烟”对其他因变量影响的程度进行估计和预测，给出体重会随戒烟程度的增大而增大。在这个案例的数据中可以看出，戒烟可能会导致体重的增加。
下面是一个对稍微复杂一些数据集进行分析的场景，
首先，选择DECI算法进行因果发现，生成一个初步的因果结构图。你可以在这个图上进行初步的探索，点击你关注的节点进行互动，可以将这些节点和临近边进行高亮，右侧会展示你选中的节点集合的信息。更多的探索功能可以查看因果发现章节。
进入what If模块，选择自己相要控制的变量，点击变量左侧的“三角形”就可以对其进行大小的控制，你就可以看到你所控制的自变量，是如何影响因变量的值的变化的。同样，左侧的因果图中，也会渲染被影响到的节点的值的变化情况。RATH支持你同时控制多个变量，来研究多维复杂的因果分析常见。
图例：你可以选择多个变量同时作为自变量，来研究他们是如何共同影响相关的因变量的。
类别变量展开/分解
对于一些类别类型的变量，我们比较难以在数值上直接观察这个变量受到其他变量的影响情况。在what If分析模块中，你只需要点击类别变量，他们会自动分解为若干个值构成的新的变量（类似one hot encoding），接下来what if会告诉你，在分解后的变量上的影响效应。（如比，我们有一个“吃药”的变量，则会被分解为，是否吃了药品A，是否吃了药品B，是否吃了安慰剂等。）
因果图布局切换
RATH集成了多种图可视化布局算法，对于不同的因果拓扑结构，可以自由的选择合适的布局算法。来以不同的视角对变量间结构进行研究。
RATH也在尝试开发更多的图可视化与图分析的能力，来进一步辅助因果分析。在复杂的因果关系图上进行进一步挖掘。
下一步
参考以下章节：