Sei mai stato incaricato di prevedere chi annullerà i propri servizi con la tua azienda? O quali pazienti interromperanno i loro farmaci? O forse quali persone saranno i primi ad adottare il tuo nuovo prodotto? Potresti rispondere a queste domande aziendali con lo stesso metodo, preparando accuratamente i dati e costruendo modelli diversi per confrontare e scegliere il migliore in base a specifici criteri statistici. Un pezzo di torta, giusto? Forse.
Ma cosa succede se è necessario individuare il principale fattore che contribuisce a una previsione per a separare persona? Alcuni algoritmi di modellazione non rispondono facilmente a questa domanda. I modelli di regressione tradizionali sono ottimi per rispondere a questo tipo di domande perché esiste un'equazione con coefficienti per ogni stima dei parametri. Che dire degli algoritmi basati su alberi o di modelli ancora più complicati come le reti neurali? Spiegare una previsione individuale è più complesso e spesso difficile da spiegare. E anche se uno di questi algoritmi più complessi è più affidabile per prevedere un risultato in molti casi, spesso le parti interessate eliminano il tuo duro lavoro.
E se potessi ottenere il meglio da entrambi i mondi? Il modello con le migliori prestazioni E un modo per spiegare facilmente le singole probabilità previste ai tuoi stakeholder in modo che il tuo lavoro abbia maggiori possibilità di essere utilizzato come strumento di business. Scopri Shapley Values, una nuova funzionalità di JMP 17.
Shapley Values fornisce la soluzione che tutti stavamo cercando per risolvere questo tipo di situazione. Questi valori quantificano il contributo di ciascun fattore nel modello fino al livello di riga. Utilizzando la previsione media come linea di base, ogni riga di dati può essere suddivisa in una somma di probabilità per fattore. Ciò significa che puoi dire che Sean ha una probabilità del 79% di interrompere i suoi farmaci e, rispetto al paziente medio, la ragione principale della sua probabile interruzione è la sua età.
Perché è un grosso problema? Senza Shapley Values, potremmo parlare più in generale dei fattori trainanti per un risultato nella popolazione di interesse, ma confrontare individui con caratteristiche simili e capire perché la previsione differisce tra loro non è così semplice. Negli algoritmi basati su albero, la formula di previsione viene creata in base a singole foglie o alberi. E siamo onesti, possono diventare piuttosto disordinati. Shapley Values risolve questo problema suddividendo la previsione in singoli contributi per ciascun fattore, che esamina l'intero modello anziché foglia per foglia, albero per albero o nodo per nodo.
Come puoi iniziare a esplorare questa nuova funzionalità? È semplice. Aggiungi il Profiler ai risultati del tuo modello e seleziona l'opzione Salva valori Shapley. Ciò salverà le singole colonne nella tabella dei dati per ogni combinazione fattore/livello di risposta.
Quindi la prossima volta che i tuoi stakeholder ti chiederanno se puoi individuare quali pazienti hanno maggiori probabilità di interrompere un farmaco sulla base di un fattore che può essere influenzato dalle azioni di un farmacista o da una tattica di marketing, puoi essere sicuro di poter dire di sì, qualunque cosa accada tipo di modello che stai creando.
