What-if-Analyse

Was ist What-if-Analyse

What-if-Analyse ist ein Teilbereich der kausalen Analyse. Es handelt sich um eine weit verbreitete Methode zur Analyse der potenziellen Ergebnisse verschiedener Szenarien. Es hilft den Individuen, die Verbindung zwischen verschiedenen Elementen zu verstehen, indem es die potenziellen Ergebnisse verschiedener Situationen untersucht. Diese Methode wird häufig verwendet, um die potenziellen Auswirkungen eines Ereignisses zu bewerten oder die Auswirkungen unterschiedlicher Handlungen in einer gegebenen Situation zu betrachten.

Bei RATH ist es möglich, eine What-if-Analyse auf der Grundlage eines zuvor etablierten kausalen Modells durchzuführen, sobald der kausale Entdeckungsprozess abgeschlossen ist. Dies kann durch die Manipulation einer oder mehrerer Variablen erfolgen und die Auswirkungen auf die anderen Variablen im Modell beobachtet werden.

Durchführung der What-if-Analyse

Um die Durchführung der What-if-Analyse zu erleichtern, integriert RATH kausale Entdeckungsalgorithmen wie DECI, die in der Lage sind, nichtlineare Einflüsse in hochdimensionalen Daten durch maschinelles Lernen zu entdecken und diese Erkenntnisse für Vorhersagen und Schlussfolgerungen zu nutzen.

Der DECI (Deep End-to-end Causal Inference)-Algorithmus ist eine kausale Schlussfolgerungsmethode basierend auf Deep Learning. Er modelliert die kausale Beziehung, indem er ein tiefes neuronales Netzwerk konstruiert und die Parameter der kausalen Beziehung durch das Training des Modells schätzt. In der Praxis kann er verwendet werden, um die Auswirkungen eines Ereignisses auf ein anderes vorherzusagen oder den Effekt einer Maßnahme auf ein Ergebnis abzuschätzen.

In diesem Beispiel nutzen wir die Datenbank "Raucherstatusvorhersage mit Bio-Signalen" (opens in a new tab) von Kaggle.com.

Betrachten Sie die Beziehung zwischen dem Rauchstopp und dem Gewicht und verwenden Sie RATHs kausale Entdeckung-Funktion, um ein kausales Modell zu erstellen. Im What-if-Analyse-Modul wird der Rauchstopp als unabhängige Variable ausgewählt und durch Erhöhung ihres Wertes angepasst. RATH wird den Einfluss des "Rauchstopps" auf andere abhängige Variablen schätzen und vorhersagen, wobei erwartet wird, dass das Gewicht mit dem Grad des Rauchstopps zunimmt. Wie die Daten nahelegen, kann das Aufhören des Rauchens zu Gewichtszunahme führen.

Bei einem etwas komplexeren Datensatz kann der DECI-Algorithmus für die kausale Entdeckung ausgewählt und ein vorläufiges kausales Strukturdiagramm generiert werden. Eine erste Exploration des Graphen kann durch Klicken auf interessierende Knoten und Hervorheben dieser Knoten und angrenzender Kanten erfolgen, wobei die Informationen des ausgewählten Knotens auf der rechten Seite angezeigt werden. Weitere Funktionen zur Exploration finden Sie im Kapitel zur kausalen Analyse.

Im What-if-Analyse-Modul können interessierende Variablen ausgewählt und gesteuert werden, indem auf die "Dreiecks-Schaltfläche" auf der linken Seite der Variablen geklickt und ihr Wert angepasst wird. Die Auswirkungen der gesteuerten unabhängigen Variable auf den Wert der abhängigen Variable können beobachtet werden, wobei sich die Änderungen der Werte in betroffenen Knoten auch im kausalen Graphen auf der linken Seite widerspiegeln. RATH ermöglicht die gleichzeitige Steuerung mehrerer Variablen, um eine multidimensionale und komplexe kausale Analyse zu ermöglichen.

Kategoriale Variablen

Bei einigen kategorialen Variablen ist es schwieriger, den Einfluss dieser Variable auf andere Variablen numerisch zu beobachten. Im What If-Analyse-Modul müssen Sie nur auf die kategorialen Variablen klicken, und sie werden automatisch in neue Variablen zerlegt, die aus mehreren Werten bestehen (ähnlich wie One-Hot-Encoding), und dann wird What If Ihnen den Einfluss auf die zerlegten Variablen anzeigen. (Wenn wir zum Beispiel eine Variable "Einnahme von Medikamenten" haben, wird sie in die Einnahme von Medikament A, die Einnahme von Medikament B, die Einnahme eines Placebos usw. zerlegt.)

Ändern der graphischen Darstellungslayouts

RATH integriert verschiedene Algorithmen für verschiedene graphische Darstellungslayouts. Je nach Ursprungsstruktur der Kausalität können Sie den geeigneten Layout-Algorithmus frei wählen, um die Inter-Variable-Struktur aus verschiedenen Perspektiven zu untersuchen.

Nächste Schritte

• Um mehr über die kausale Analyse zu erfahren, siehe das Kapitel Causal Analysis.
• Für die Entdeckung von Textmustern siehe das Kapitel Textmusterextraktion.