特徵選擇與因果探索概念地圖

此圖整理馬可夫毯在機器學習及因果探索中的實務角色。從條件獨立與目標節點的局部結構，估計馬可夫邊界，再將其用於特徵選擇或因果探索。必須注意：特徵邊界可以提供預測上的局部充分性，但不自動形成完整因果解釋；搜尋結果也會受樣本與檢定程序影響。

graph TD
  A[資料與目標變項] --> B[條件獨立檢定]
  B --> C[馬可夫毯探索]
  C --> D[最小馬可夫邊界]
  D --> E[特徵選擇]
  C --> F[因果探索]
  G[有限樣本／隱藏變項] -.影響.-> B
  H[演算法搜尋策略] -.影響.-> C
  I[因果識別假設] -.必要條件.-> F

思與行

• 評估演算法時同時看預測效能、邊界穩定性、樣本效率、可解釋性與因果識別條件。
• 比較 HITON、CSMB 等方法時，先核對資料集、條件獨立檢定和基準方法是否可公平比較。

參考

• 核心筆記：馬可夫毯能縮小預測所需的資訊集合、預測相關性不能直接當成因果解釋、有限樣本與隱藏變項會使馬可夫毯探索不穩定、馬可夫毯探索演算法的品質取決於條件獨立檢定。
• 概念：特徵選擇、因果探索、馬可夫邊界、條件獨立。