Accéder directement au contenu Accéder directement à la navigation
Article dans une revue

Causal Discovery Toolbox: Uncovering causal relationships in Python

Abstract : This paper presents a new open source Python framework for causal discovery from observational data and domain background knowledge, aimed at causal graph and causal mechanism modeling. The Cdt package implements an end-to-end approach, recovering the direct dependencies (the skeleton of the causal graph) and the causal relationships between variables. It includes algorithms from the 'Bnlearn' (Scutari, 2018) and 'Pcalg' (Kalisch et al., 2018) packages, together with algorithms for pairwise causal discovery such as ANM (Hoyer et al., 2009). Cdt is available under the MIT License at https://github.com/FenTechSolutions/CausalDiscoveryToolbox.
Type de document :
Article dans une revue
Liste complète des métadonnées

Littérature citée [16 références]  Voir  Masquer  Télécharger

https://hal.univ-angers.fr/hal-02945539
Contributeur : Olivier Goudet <>
Soumis le : mardi 22 septembre 2020 - 13:56:14
Dernière modification le : mercredi 23 septembre 2020 - 04:20:59

Fichier

19-187.pdf
Fichiers éditeurs autorisés sur une archive ouverte

Licence


Distributed under a Creative Commons Paternité 4.0 International License

Identifiants

  • HAL Id : hal-02945539, version 1

Collections

Citation

Diviyan Kalainathan, Olivier Goudet, Ritik Dutta. Causal Discovery Toolbox: Uncovering causal relationships in Python. Journal of Machine Learning Research, Microtome Publishing, 2020, 21, pp.1-5. ⟨hal-02945539⟩

Partager

Métriques

Consultations de la notice

24

Téléchargements de fichiers

27