Analyse des scénarios

Qu'est-ce que l'analyse des scénarios

L'analyse des scénarios est une sous-catégorie de l'analyse de causalité. C'est une méthode largement utilisée pour analyser les résultats potentiels de différents scénarios. Elle permet aux individus de comprendre la relation entre différents éléments en examinant les résultats potentiels de différentes situations. Cette méthode est fréquemment utilisée pour évaluer les conséquences potentielles d'un événement ou pour considérer les effets de différentes actions dans une situation donnée.

Dans RATH, il est possible de réaliser une analyse des scénarios basée sur un modèle causal préalablement établi une fois que le processus de découverte causale a été terminé. Cela peut être fait en manipulant une ou plusieurs variables et en observant comment cela affecte les autres variables du modèle.

Réaliser une analyse des scénarios

Pour faciliter l'utilisation de l'analyse des scénarios, RATH intègre des algorithmes de découverte causale tels que DECI, capables de découvrir les influences non linéaires dans des données multidimensionnelles grâce à l'apprentissage profond et d'utiliser ces connaissances pour la prédiction et l'inférence.

L'algorithme DECI (Deep End-to-end Causal Inference) est une méthode d'inférence causale basée sur l'apprentissage profond. Il modélise la relation causale en construisant un réseau neural profond et estime les paramètres de la relation causale par l'entraînement du modèle. Dans la pratique, il peut être utilisé pour prédire l'impact d'un événement sur un autre ou estimer l'effet d'une mesure sur un résultat.

Dans cet exemple, nous utilisons la base de données "Prédiction du statut de fumeur à partir de bio-signaux" (opens in a new tab) provenant de Kaggle.com.

Considérez la relation entre la cessation du tabagisme et le poids et utilisez la fonctionnalité de découverte causale de RATH pour produire un modèle causal. Dans le module d'analyse des scénarios, la cessation du tabagisme est sélectionnée comme une variable indépendante et ajustée en augmentant sa valeur. RATH estimera et prédira l'influence de "la cessation du tabagisme" sur d'autres variables dépendantes, telles que le poids, qui devrait augmenter avec le degré de cessation du tabagisme. Comme le suggèrent les données, l'arrêt du tabagisme peut entraîner une prise de poids.

Dans le cas d'un jeu de données légèrement plus complexe, l'algorithme DECI peut être sélectionné pour la découverte causale et un diagramme de structure causale préliminaire peut être généré. L'exploration initiale du graphe peut être effectuée en cliquant sur les nœuds d'intérêt et en mettant en évidence ces nœuds et les arêtes adjacentes, avec les informations du nœud sélectionné affichées à droite. Des fonctions d'exploration supplémentaires peuvent être trouvées dans le chapitre Analyse causale.

Dans le module d'analyse des scénarios, des variables d'intérêt peuvent être sélectionnées et contrôlées en cliquant sur le "bouton triangle" à gauche de la variable et en ajustant sa valeur. L'impact de la variable indépendante contrôlée sur la valeur de la variable dépendante peut être observé, les modifications des valeurs des nœuds affectés étant également reflétées dans le graphe causal à gauche. RATH supporte le contrôle simultané de plusieurs variables pour permettre une analyse causale multidimensionnelle et complexe.

Variables catégorielles

Pour certaines variables catégorielles, il est plus difficile pour nous d'observer directement l'influence de cette variable par d'autres variables numériquement. Dans le module d'analyse des scénarios, il vous suffit de cliquer sur les variables catégorielles, et elles seront automatiquement décomposées en de nouvelles variables composées de plusieurs valeurs (similaire à un encodage one hot), puis le module d'analyse des scénarios vous indiquera l'impact sur les variables décomposées. (Par exemple, si nous avons une variable "prise de médicaments", elle sera décomposée en prendre le médicament A, prendre le médicament B, prendre un placebo, etc.)

Changer la visualisation graphique

RATH intègre une variété d'algorithmes pour différents agencements de visualisation graphique. Pour différentes structures topologiques causales, vous pouvez choisir librement l'algorithme d'agencement approprié. Cela permet d'étudier la structure inter-variable sous différents points de vue.

Étapes suivantes

• Pour en savoir plus sur l'analyse causale, consultez le chapitre Analyse causale.
• Pour la découverte de motifs textuels, consultez le chapitre Extraction de motifs textuels.