因果推断中如何在DAG图上展示节点间依赖强度

依赖强度完全不需要仅通过通用机器学习模型的特征重要性获取，你用的GOLEM、IACLiNGAM这类因果结构学习算法的输出本身就支持直接计算因果边强度，甚至部分算法原生就输出边权重，具体可落地的量化方法如下：

• 针对IACLiNGAM等LiNGAM族线性方法：这类方法的核心假设是线性非高斯数据生成过程，模型拟合完成后输出的adjacency_matrix_邻接矩阵中，每个非零元素就对应「父节点→子节点」的直接线性因果效应，系数的绝对值大小就是直接依赖强度，不需要额外计算。
• 针对GOLEM这类连续优化类结构学习方法：GOLEM训练过程中会输出连续权重邻接矩阵，你先按预设阈值剪枝得到确定的DAG结构后，保留边的权重绝对值可作为初步关联强度参考；如果要更严谨的因果效应强度，可以在固定学到的DAG结构的前提下，对每个节点用它的所有父节点做线性回归，得到的回归系数就是对应父节点到该节点的直接因果效应，系数绝对值即为因果依赖强度。
• 非线性场景通用方案：如果数据符合非线性生成过程，也不需要训练通用黑盒ML模型取特征重要性，只要固定学到的DAG结构，用加性噪声模型拟合每个节点的条件分布，计算每条边对应的平均直接因果效应（ADE），即父节点单位变动带来的子节点期望变动幅度，就可以作为边的因果强度。
• 注意：通用ML模型输出的特征重要性（比如树模型的基尼重要性、增益重要性）混杂了非因果路径的关联、对撞节点偏差，只能反映预测层面的关联强弱，不能直接等同于因果依赖强度，仅可作为辅助参考，不建议作为因果图边强度的核心度量。

你可以根据自己的场景选对应工具，不需要复杂的定制开发：

• 轻量静态图用networkx实现：把带强度的邻接矩阵转成DiGraph对象后，直接将边的绘制宽度和边强度绝对值做线性映射，同时在边旁标注具体的效应数值，用分层布局（dot布局）排列节点即可适配因果图的流向展示。
• 专业因果图用causal-learn自带的绘图接口：该库原生适配GOLEM、LiNGAM系列算法的输出格式，传入剪枝后的带权邻接矩阵就能直接生成图，支持配置边宽映射强度、边颜色区分效应正负（比如正效应蓝色、负效应红色）、边标签显示强度值，省去手动转换数据格式的步骤。
• 复杂DAG的交互展示用pyvis实现：可以生成可拖拽、缩放的网页版交互网络图，鼠标悬停在边上就能查看对应边的强度、因果方向，适合节点数量多的复杂因果结构展示。

最简代码示例 #

以下是适配IACLiNGAM输出结果的静态可视化代码，GOLEM的结果只要替换成剪枝后的带权邻接矩阵即可复用：

import numpy as np
import networkx as nx
import matplotlib.pyplot as plt

# 替换为你自己模型输出的邻接矩阵，此处为示例占位
# adj_mat = trained_model.adjacency_matrix_
adj_mat = np.array([[0, 0.3, 0.8], [0, 0, -0.5], [0, 0, 0]])

# 阈值剪枝，剔除权重过低的虚假边
threshold = 0.1
adj_mat[np.abs(adj_mat) < threshold] = 0

# 构建有向图
G = nx.DiGraph(adj_mat)
# 按边强度映射边的绘制宽度
edge_widths = [np.abs(adj_mat[u, v]) * 4 for u, v in G.edges()]
# 生成边标签，保留两位小数显示因果效应值
edge_labels = {(u, v): f"{adj_mat[u, v]:.2f}" for u, v in G.edges()}
# 用分层布局适配因果方向，从因到果排列
pos = nx.nx_agraph.graphviz_layout(G, prog='dot')

# 绘制并展示
nx.draw(G, pos, width=edge_widths, with_labels=True, node_color='#e6f2ff', arrowsize=18, node_size=1200)
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=10)
plt.show()

内容的提问来源于stack exchange，提问作者Egorsky