一句话定义：相关（correlation）说的是两件事在数据里一起变；因果（causation）说的是你动其中一个，另一个会跟着变。「相关不等于因果」提醒的是：前者推不出后者，而机器学习模型学到的几乎全是前者。
打个比方
夏天冰淇淋卖得多，溺水的人也多。不是冰淇淋把人推进水里，而是气温这个混杂因素（confounder）同时推高了两个数字。同理，「带伞的人更容易被淋湿」——不是伞招雨，是天要下雨。
模型干的事，本质是拟合「给定 X，Y 长什么样」，也就是 P(Y|X)。它不需要知道世界怎么运转，只要找到足够好的信号就行。这在预测任务里没问题，可一旦有人拿这些信号去做决策，问题就来了。
三种常见陷阱
- 混杂：数据显示用某种强效抗生素的病人死亡率更高。听起来像「药害人」，实际是病情最重的那批人才会用强效药——病重才是共同原因。
- 反向因果（reverse causation）：发现「App 使用时长越长，留存越高」，于是猛推使用时长。但可能只是本来就打算留下的人用得更久，因果方向反了。
- 选择偏差（selection bias）：只统计「已成交客户」的数据，得出的结论套到全量用户身上，往往完全失效。
和相邻概念的区别
| 相关 | 因果 | |
|---|---|---|
| 问的问题 | 谁和谁一起变 | 动了 X，Y 会不会变 |
| 数据来源 | 观测数据（observational data） | 随机对照试验（RCT）、A/B 测试 |
| 典型方法 | 相关系数、模型特征重要性 | 随机化、do 演算（do-calculus）、断点回归 |
| 能支撑什么 | 预测、排序、打分 | 干预：调价、改流程、发券、拒贷 |
还要区分预测和因果：一个模型可以预测得很准却因果全错。比如用「买过打印机」预测「会买墨盒」，准得离谱；但你给没买打印机的人发墨盒优惠券，一分钱也换不回来。特征重要性（feature importance）同理——它只说明模型多依赖这个信号，不代表动它就能改变结果。
对实际工作意味着什么
从业者上线前先问一句：这个模型是在预测，还是要拿来干预？ 如果输出会改变流程——加检查、发优惠券、拒绝贷款、调整排班——那就是干预，需要实验或准实验证据。可解释性报告里「因为 X 所以 Y」这种措辞尤其要小心，它很容易把相关性包装成因果，被业务方当成行动指令执行下去。
普通职场人看到「研究发现 A 与 B 有关」，问三句就够：有没有别的因素同时影响两者？谁在先？样本是怎么选进来的？
模型学到相关性没错，错的是我们把它当成了因果来用——这是最贵的一类误用，因为模型不会喊冤，账单要到上线之后才来。