nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

621108_fr-FR

liliconcom

Valeurs de Shapley : expliquer les probabilités prédites individuelles

Avez-vous déjà été chargé de prédire qui annulera ses services auprès de votre entreprise ? Ou quels patients arrêteront leur traitement ? Ou peut-être quelles personnes seront les premières à adopter votre nouveau produit ? Vous pouvez répondre à ces questions commerciales avec la même méthode, en préparant soigneusement les données et en créant différents modèles pour comparer et choisir le meilleur en fonction de critères statistiques spécifiques. Du gâteau, non ? Peut être.

Mais que se passe-t-il si vous devez identifier le principal facteur contribuant à une prédiction pour un célibataire personne? Certains algorithmes de modélisation ne répondent pas facilement à cette question. Les modèles de régression traditionnels sont parfaits pour répondre à ce type de questions car il existe une équation avec des coefficients pour chaque estimation de paramètre. Qu’en est-il des algorithmes basés sur des arbres ou de modèles encore plus complexes comme les réseaux de neurones ? Expliquer une prédiction individuelle est plus complexe et souvent difficile à expliquer. Et même si l’un de ces algorithmes plus complexes est plus fiable pour prédire un résultat dans de nombreux cas, les parties prenantes abandonnent souvent votre travail acharné.

Et si vous pouviez profiter du meilleur des deux mondes ? Le modèle le plus performant ET un moyen d'expliquer facilement les probabilités prédites individuelles à vos parties prenantes afin que votre travail ait de meilleures chances d'être utilisé comme outil commercial. Découvrez les valeurs de Shapley : une nouvelle fonctionnalité de JMP 17.

Les valeurs Shapley fournissent la solution que nous recherchions tous pour résoudre ce genre de situation. Ces valeurs quantifient la contribution de chaque facteur dans votre modèle jusqu'au niveau de la ligne. En utilisant la prédiction moyenne comme référence, chaque ligne de données peut être décomposée en une somme de probabilités par facteur. Cela signifie que vous pouvez dire que Sean a 79 % de chances d'arrêter son traitement et que, par rapport au patient moyen, la principale raison de son arrêt probable est son âge.

Pourquoi est-ce une grosse affaire? Sans les valeurs de Shapley, nous pourrions parler de manière plus générale des facteurs déterminants d’un résultat dans la population d’intérêt, mais comparer des individus présentant des caractéristiques similaires et comprendre pourquoi les prédictions diffèrent entre eux n’est pas si simple. Dans les algorithmes basés sur les arbres, la formule de prédiction est créée en fonction de feuilles ou d'arbres individuels. Et soyons honnêtes, ils peuvent devenir assez compliqués. Shapley Values résout ce problème en décomposant la prédiction en contributions individuelles pour chaque facteur, qui examine l'ensemble du modèle au lieu de feuille par feuille, arbre par arbre ou nœud par nœud.

Combined Infographic.png

Comment commencer à explorer cette nouvelle fonctionnalité ? C'est simple. Ajoutez le profileur aux résultats de votre modèle et sélectionnez l'option Enregistrer les valeurs Shapley. Cela enregistrera des colonnes individuelles dans votre tableau de données pour chaque combinaison facteur/niveau de réponse.

3 Final.png

Ainsi, la prochaine fois que vos parties prenantes vous demanderont si vous pouvez identifier les patients les plus susceptibles d'arrêter un médicament en fonction d'un facteur pouvant être influencé par les actions d'un pharmacien ou par une tactique de marketing, vous pourrez être sûr de pouvoir dire oui, quoi qu'il arrive. type de modèle que vous créez.

Que se passe-t-il si vous avez besoin d'identifier le principal facteur contribuant à une prédiction pour un célibataire personne? Certains algorithmes de modélisation ne répondent pas facilement à cette question. Certaines méthodes le peuvent. Entrez les valeurs Shapley.

Modélisation prédictive et apprentissage automatique