example-causal-datasets 是数据集领域的开源项目，由 cmu-phil 开发，2022 年首次发布。
它收录于数据集分类，该分类目前共有 278 个项目，GitHub 星标数为 118。
项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-04。开源数据集，免费使用。
它主要面向的使用场景是：因果效应估计算法（如T-learner、X-learner）的基准测试。同类可对比的替代方案包括 causalml、EconML、DoWhy。
example-causal-datasets
统一格式的因果数据集，带真实因果效应，开箱即用做基准测试
example-causal-datasets 是微软开源的因果推断示例数据集集合，旨在解决因果机器学习研究中数据格式混乱、缺乏统一基准的问题。项目提供多个经典因果数据集（如 IHDP、IBM ACIC 等），每个数据集都经过统一格式化处理，包含明确的处理变量、结果变量、协变量以及真实的因果效应（ground truth），便于研究者直接加载使用。核心能力包括：标准化数据接口，减少数据预处理成本；提供已知因果效应的仿真或半仿真数据，支持因果效应估计方法的准确评估；配套教程和文档，帮助快速上手。项目适合因果推断、因果发现、异质处理效应估计等方向的算法开发与对比实验，是因果机器学习领域常用的基准数据源之一。
开源
free
数据集
GitHub 星标
★ 118
维护状态
较活跃
是否开源
是
定价模式
free
项目数据
分类数据集
开发团队cmu-phil
所属国家
定价模式free
价格说明开源数据集，免费使用
访问状态
是否开源是
开源协议CC0-1.0
主要语言
技术栈/模型
GitHub 星标★ 118
30天Star增速
HF 下载量
上线时间2022-03-13 00:00:00
最近更新2026-09-04 00:00:00
维护状态较活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-09-21
浏览次数0
使用教程
核心亮点
- 提供 IHDP、ACIC 等经典因果数据集的统一格式化版本，省去繁琐预处理
- 每个数据集包含 ground truth 因果效应，可直接评估估计方法的精度
- 配套 Jupyter Notebook 教程，演示数据加载与基准测试流程
不足之处
- 数据集数量有限，覆盖场景不够广泛
- 项目更新频率较低，社区活跃度一般
适用场景
- 因果效应估计算法（如 T-learner、X-learner）的基准测试
- 因果机器学习课程教学与实验演示
- 异质处理效应（HTE）研究中的方法对比
替代项目
causalml、EconML、DoWhy
项目介绍
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models