基于FCI算法的大学生数学类课程间的因果关系分析 .pdfVIP

基于FCI算法的大学生数学类课程间的因果关系分析

打开文本图片集

摘要：有向无环图（DAG）作为一种表示多个变量间关系的方法，因

其简单直观，在社会各个领域有着广泛应用。为了表示复杂数据所蕴含的

因果关系，常常需要在DAG中引入一些不可观测的潜变量和选择变量。如

何基于观测数据得到蕴含不可观测潜变量和选择变量的DAG，Spirte，

Meek和Richardon提出了FCI算法。FCI算法是在PC算法上的一种改进

算法，改进的目的是为了避免由于潜变量以及选择变量的存在而出现的因

果推断的偏差和错误。本文简要的介绍了FCI算法，并结合FCI算法对大

学生数学类课程的数据进行了分析，并给出了相应的结论。

关键词：有向无环图；潜变量；FCI算法；因果关系

一、引言

随着大数据时代的来临，人们生产、生活各个领域都存在着大量的复

杂数据，这些数据通常包含许多变量，而且变量间的影响机制复杂，如何

描述变量间的关系是一个重要的问题。有向无环图是一种基于概率推理的

图形化网络，为处理变量间的因果关系提供了新的途径[9]。有向无环图

因其强大的不确定性信息处理能力，逐渐成为处理不确定信息的主流，进

而成功地应用在智能化系统、学习预测、医疗诊断等多个领域中[8]。基

于有向无环图的重要性和广泛的应用性，如何根据实际数据学习有向无环

图是科学研究中的一个重要问题。Spirte，Glymour和Scheine[7]在

1991年提出了一种学习贝叶斯网的算法--PC算法，PC算法是用来探索贝

叶斯网中多个变量之间的条件独立关系和因果关系的一种方法，结果简单

易懂，便于交流，但是它的假设比较强，它假设研究的问题中所有变量都

是可观测的。但在社会学、教育学、管理学等研究领域，可能存在一些不

可观测的潜变量和选择变量，潜变量和选择变量的出现会使实际上两个无

关的变量表现出相关性[6]。为了学习含有潜变量和选择变量的贝叶斯网，

Spirte，Meek和Richardon[6]在1999年提出了PC算法的改進算法--FCI

算法，FCI算法通过验证初始骨架中邻接的两个顶点在给定Poible-D-SEP

集[2]下的条件独立信息来解决潜变量和选择变量带来的影响，因此FCI

算法比PC算法更具有一般性。

本文首先介绍了图的相关概念以及FCI算法的基本步骤，然后利用

FCI算法对大学生数学类课程进行了因果关系的分析，探究各课程之间的

影响，为大学数学类课程的设置以及课程教学提供一些建议和参考。

二、图的概念及介绍

由于在FCI算法中涉及到了一些图的知识，所以简单介绍一下图中的

相关知识。

在图论中，图是由顶点集和边集构成的。若是有序的，它称为有向边，

否则为无向边。一个图中如果只包含有向边，则称为有向图，如果只包含

无向边，则称为无向图。把图中的有向边全变为无向边得到的无向图为其

骨架。

如果两顶点之间有边，则称这两顶点是邻接的，如果图中所有顶点都

是邻接的，那么就称这个图为完全图。用来表示图中与点邻接的点集，如

果有，则成是的父顶点，是的子顶点。如果有，则称是的配偶顶点。我们

称一系列两两有边的点为一条路，若路中边的方向一致，则称这条路为有

向路。当一条路首尾相连，这样的路就形成环。若环中的边方向一致，则

形成有向环。如果一个从到的有向环中包含，则称为几乎有向环。若从到

之间存在有向路，则称是的祖先顶点，是的后代顶点。我们用an（G，某

i）和de（G，某i）来表示点的祖先顶点集和后代顶点集。

在有向图中，如果不含有有向环，则称这个图为有向无环图（DAG）。

如果一个混合图满足（i）不包含有向环（ii）不包含几乎有向环（iii）

对于图中的任意无向边，和没有父顶点和配偶顶点，则称这个图为祖先图。

DAG就是一个祖先图。若一个祖先图满足图中任意两个不邻接的顶点之间

没有诱导路径，则称为极大祖先图（MAG）。极大祖先图的马尔科夫等价

类称为部分祖先图（PAG）。

如果三个顶点中，与是邻接的，与是邻接的，但是和不是邻接的，那

么这样的三个顶点被称为开放三元组。在一条路中的一个非端点，如果它

的前后两条边的箭头均指向它，则称它为一个汇连顶点。如果在一个开放

三元组中，是一个汇连顶点，那么称这个开放三元组为--结构。

d-分离准则：若G是一个DAG，i，j为不在Z中两个顶点，考虑i，

j两个顶点之间的路p如果满足下列条件之一，则称路p被