Análisis de What-if

¿Qué es el análisis What-if?

El análisis What-if es un subconjunto del Análisis Causal. Es un método ampliamente utilizado para analizar los posibles resultados de diferentes escenarios. Ayuda a las personas a comprender la conexión entre varios elementos mediante el examen de los posibles resultados de diferentes situaciones. Este método se utiliza frecuentemente para evaluar las posibles consecuencias de un evento o para considerar los efectos de diferentes acciones en una situación determinada.

En RATH, es posible realizar un análisis de qué pasaría si uno se basa en un modelo causal previamente establecido, una vez que se ha completado el proceso de descubrimiento causal. Esto se puede hacer manipulando una o más variables y observando cómo afecta a las otras variables del modelo.

Realizar un análisis What-if

Para facilitar la utilización del análisis What-if, RATH incorpora algoritmos de descubrimiento causal como DECI, capaces de descubrir influencias no lineales en datos de alta dimensión a través del aprendizaje profundo y utilizar estos conocimientos para la predicción y la inferencia.

El algoritmo DECI (Inferencia Causal de Extremo a Extremo Profundo) es un método de inferencia causal basado en el aprendizaje profundo. Modela la relación causal mediante la construcción de una red neuronal profunda y estima los parámetros de la relación causal a través del entrenamiento del modelo. En la práctica, se puede utilizar para predecir el impacto de un evento sobre otro o para estimar el efecto de una medida sobre un resultado.

En este ejemplo, utilizamos la base de datos "Predicción del estado de fumador mediante bioseñales" (opens in a new tab) de Kaggle.com

Consideremos la relación entre el abandono del tabaco y el peso y utilicemos la función de análisis causal de RATH para producir un modelo causal. En el módulo de análisis What-if, se selecciona el abandono del tabaco como variable independiente y se ajusta mediante un aumento de su valor. RATH estimará y predecirá la influencia del "abandono del tabaco" en otras variables dependientes, como el peso, que se espera que aumenten con el grado de abandono del tabaco. Como sugieren los datos, dejar de fumar puede provocar aumento de peso.

En el caso de un conjunto de datos ligeramente más complejo, se puede seleccionar el algoritmo DECI para el descubrimiento causal y generar un diagrama de estructura causal preliminar.La exploración inicial del gráfico se puede realizar haciendo clic en los nodos de interés y resaltando estos nodos y bordes adyacentes, con la información del conjunto de nodos seleccionados que se muestra a la derecha. Las funciones de exploración adicionales se pueden encontrar en el capítulo de Análisis Causal.

En el módulo de análisis de what-if, se pueden seleccionar y controlar las variables de interés haciendo clic en el "botón triángulo" en el lado izquierdo de la variable y ajustando su valor. Se puede observar el impacto de la variable independiente controlada en el valor de la variable dependiente, y los cambios en los valores de los nodos afectados también se reflejan en el gráfico causal a la izquierda. RATH admite el control simultáneo de varias variables para permitir un análisis causal multidimensional y complejo.

Variables categóricas

Para algunas variables categóricas, es más difícil observar directamente la influencia de esta variable por otras variables numéricamente. En el módulo de análisis de what-if, solo necesita hacer clic en las variables categóricas, y se descompondrán automáticamente en nuevas variables compuestas de varios valores (similar a la codificación one hot), y luego what-if le dirá el impacto en el efecto de las variables descompuestas. (Por ejemplo, si tenemos una variable de "tomar medicamentos", se descompondrá en si tomar medicamento A, si tomar medicamento B, si tomar un placebo, etc.)

Cambiar diseños de visualización gráfica

RATH integra una variedad de algoritmos para diferentes diseños de visualización gráfica. Para diferentes estructuras topológicas causales, puede elegir libremente el algoritmo de diseño adecuado. Para estudiar la estructura intervariable desde diferentes perspectivas.

Próximos pasos

• Para aprender más sobre el Análisis Causal, consulte el capítulo de Análisis Causal.
• Para el descubrimiento de patrones de texto, consulte el capítulo de Extracción de patrones de texto.