منصوبے کے بارے میں

DoWhy ایک اوپن سورس Python لائبریری ہے جو causal inference کے لیے PyWhy ecosystem کے تحت تیار کی گئی ہے۔ اس کا مقصد صارفین کو causal reasoning کے مراحل میں رہنمائی فراہم کرنا اور causal سوالات کے جوابات کے لیے ایک متحد interface مہیا کرنا ہے۔ یہ لائبریری دو بڑے frameworks پر استوار ہے: graphical causal models اور potential outcomes۔ Effect estimation کے لیے یہ graph-based criteria اور do-calculus استعمال کرتی ہے تاکہ مفروضوں کی ماڈلنگ اور non-parametric causal effects کی شناخت کی جا سکے، پھر estimation کے لیے potential-outcome-based طریقوں کی طرف منتقل ہوتی ہے۔ Effect estimation سے آگے کے سوالات کے لیے یہ ہر node پر واضح causal mechanisms کے ذریعے data generation process کی ماڈلنگ کرتی ہے، جس سے مشاہدہ شدہ effects کو مخصوص variables سے منسوب کرنا اور point-wise counterfactuals کا تخمینہ لگانا ممکن ہوتا ہے۔ اہم صلاحیتیں شامل ہیں: - Effect estimation: identification، average causal effect، conditional average causal effect، instrumental variables، اور مزید۔ - Causal influences کی مقدار کا تعین: mediation analysis، direct arrow strength، intrinsic causal influence۔ - What-if analysis: interventional distributions سے samples پیدا کرنا اور counterfactuals کا تخمینہ لگانا۔ - Root cause analysis اور explanations: anomalies کو causes سے منسوب کرنا، distribution changes کے causes تلاش کرنا، اور feature relevance کا تخمینہ لگانا۔ ایک نمایاں خصوصیت refutation اور falsification API ہے، جو کسی بھی estimation method کے لیے causal مفروضوں کی جانچ کر سکتی ہے، جس کا مقصد inference کو زیادہ مضبوط بنانا اور غیر ماہرین کے لیے قابل رسائی بنانا ہے۔ Effect estimation کے لیے عام workflow چار مراحل پر مشتمل ہے: model، identify، estimate، اور refute۔ صارفین ایک causal graph متعین کرتے ہیں (اکثر NetworkX کے ذریعے)، target estimand کی شناخت کرتے ہیں، اسے کسی شماریاتی طریقے سے estimate کرتے ہیں، اور پھر robustness checks چلاتے ہیں۔ DoWhy interpretability پر زور دیتی ہے، جس سے کسی بھی موقع پر untested assumptions، identified estimands، اور estimates کا معائنہ ممکن ہوتا ہے۔ Graphical causal model (GCM) framework structural causal models، causal mechanisms کی خودکار تفویض، fitting، evaluation، anomaly attribution، اور interventional sampling کی سہولت دیتا ہے۔ یہ Pearl کے framework پر مبنی ہے اور causal mechanisms کو واضح طور پر ماڈل کرتا ہے۔ DoWhy Python 3.8+ کی حمایت کرتی ہے اور اسے pip، poetry، یا conda کے ذریعے install کیا جا سکتا ہے۔ pydot یا pygraphviz جیسے optional dependencies dot format میں graph input اور بہتر نظر آنے والے graphs کو ممکن بناتے ہیں۔ یہ پروجیکٹ وسیع documentation، example notebooks، case studies، اور video tutorials فراہم کرتا ہے۔ یہ PyWhy organization کا حصہ ہے، جو conditional average treatment effect estimation کے لیے EconML جیسے متعلقہ tools کی میزبانی کرتی ہے۔