Wurden Sie jemals damit beauftragt, vorherzusagen, wer seine Dienste bei Ihrem Unternehmen kündigen wird? Oder welche Patienten werden ihre Medikamente absetzen? Oder vielleicht welche Personen die Early Adopters Ihres neuen Produkts sein werden? Sie könnten diese Geschäftsfragen mit der gleichen Methode beantworten, indem Sie Daten sorgfältig vorbereiten und verschiedene Modelle erstellen, um sie zu vergleichen und basierend auf bestimmten statistischen Kriterien die besten auszuwählen. Kinderspiel, oder? Vielleicht.
Aber was ist, wenn Sie den Hauptfaktor für eine Vorhersage für a genau bestimmen müssen? einzel Person? Einige Modellierungsalgorithmen beantworten dies nicht einfach. Herkömmliche Regressionsmodelle eignen sich hervorragend zur Beantwortung dieser Art von Fragen, da es eine Gleichung mit Koeffizienten für jede Parameterschätzung gibt. Was ist mit baumbasierten Algorithmen oder noch komplizierteren Modellen wie neuronalen Netzen? Die Erklärung einer individuellen Vorhersage ist komplexer und oft schwieriger zu erklären. Und obwohl einer dieser komplexeren Algorithmen in vielen Fällen zuverlässiger ist, um ein Ergebnis vorherzusagen, verwerfen die Beteiligten oft Ihre harte Arbeit.
Was wäre, wenn Sie das Beste aus beiden Welten bekommen könnten? Das leistungsfähigste Modell UND eine Möglichkeit, Ihren Stakeholdern die individuell vorhergesagten Wahrscheinlichkeiten einfach zu erklären, damit Ihre Arbeit eine bessere Chance hat, als Geschäftstool verwendet zu werden. Lernen Sie die Werte von Shapley kennen – eine neue Funktion in JMP 17.
Shapley Values bietet die Lösung, nach der wir alle gesucht haben, um diese Art von Situation zu lösen. Diese Werte quantifizieren den Beitrag jedes Faktors in Ihrem Modell bis auf Zeilenebene. Unter Verwendung der durchschnittlichen Vorhersage als Basislinie kann jede Datenzeile in eine Summe von Wahrscheinlichkeiten nach Faktor zerlegt werden. Das bedeutet, dass Sie sagen können, dass Sean eine Wahrscheinlichkeit von 79 % hat, seine Medikamente abzusetzen, und im Vergleich zum durchschnittlichen Patienten ist der Hauptgrund für seinen wahrscheinlichen Abbruch sein Alter.
Warum ist das so eine große Sache? Ohne Shapley-Werte könnten wir allgemeiner über die treibenden Faktoren für ein Ergebnis in der interessierenden Population sprechen, aber es ist nicht so einfach, Personen mit ähnlichen Merkmalen zu vergleichen und zu verstehen, warum sich die Vorhersage zwischen ihnen unterscheidet. Bei baumbasierten Algorithmen wird die Vorhersageformel basierend auf einzelnen Blättern oder Bäumen erstellt. Und seien wir ehrlich, sie können ziemlich chaotisch werden. Shapley Values löst dieses Problem, indem die Vorhersage in einzelne Beiträge für jeden Faktor zerlegt wird, wodurch das gesamte Modell betrachtet wird, anstatt Blatt für Blatt, Baum für Baum oder Knoten für Knoten.
Wie können Sie mit der Erkundung dieser neuen Funktion beginnen? Es ist einfach. Fügen Sie den Profiler Ihren Modellergebnissen hinzu und wählen Sie die Option zum Speichern von Shapley-Werten aus. Dadurch werden einzelne Spalten für jede Faktor/Response-Level-Kombination in Ihrer Datentabelle gespeichert.
Wenn Sie also das nächste Mal von Ihren Stakeholdern gefragt werden, ob Sie feststellen können, welche Patienten ein Medikament am wahrscheinlichsten absetzen, basierend auf einem Faktor, der durch die Handlungen eines Apothekers oder eine Marketingtaktik beeinflusst werden kann, können Sie sicher sein, dass Sie ja sagen können, egal was passiert Art des Modells, das Sie erstellen.
