Análise de "E Se" (What-if Analysis)
O que é análise de "E Se"
Análise de "E Se" é um subconjunto da Análise Causal. É um método amplamente utilizado para analisar os possíveis resultados de diferentes cenários. Ele ajuda indivíduos a compreender a relação entre vários elementos examinando os possíveis resultados de diferentes situações. Este método é frequentemente utilizado para avaliar as possíveis consequências de um evento ou para considerar os efeitos de diferentes ações em uma determinada situação.
No RATH, é possível realizar uma análise de "E Se" com base em um modelo causal previamente estabelecido, uma vez que o processo de descoberta causal tenha sido concluído. Isso pode ser feito manipulando uma ou mais variáveis e observando como afeta as outras variáveis no modelo.
Realizando análise de "E Se"
Para facilitar a utilização da análise de "E Se", o RATH incorpora algoritmos de descoberta causal, como o DECI, capazes de descobrir influências não lineares em dados de alta dimensão por meio de deep learning e usando essas informações para previsão e inferência.
O algoritmo DECI (Inferência Causal de ponta a ponta Do Profundo) é um método de inferência causal baseado em deep learning. Ele modela a relação causal construindo uma rede neural profunda e estima os parâmetros da relação causal por meio do treinamento do modelo. Na prática, pode ser utilizado para prever o impacto de um evento sobre outro ou estimar o efeito de uma medida sobre um resultado.
Neste exemplo, utilizamos o banco de dados "Previsão do estado de fumante usando Bio-Sinais" (opens in a new tab) do Kaggle.com
Considere a relação entre parar de fumar e peso e use a função de descoberta causal do RATH para produzir um modelo causal. No módulo de análise de "E Se", a cessação do tabagismo é selecionada como variável independente e ajustada aumentando seu valor. O RATH vai estimar e prever a influência da "cessação do tabagismo" sobre outras variáveis dependentes, como peso, que se espera aumentar com o grau de cessação do tabagismo. Conforme os dados sugerem, parar de fumar pode levar ao ganho de peso.
No caso de um conjunto de dados um pouco mais complexo, o algoritmo DECI pode ser selecionado para descoberta causal e um diagrama preliminar de estrutura causal gerado.A exploração inicial do gráfico pode ser feita clicando nos nós de interesse e destacando esses nós e as arestas adjacentes, com as informações do conjunto de nós selecionados exibidas à direita. Mais funções de exploração podem ser encontradas no capítulo de Análise Causal.
No módulo de análise "e se", as variáveis de interesse podem ser selecionadas e controladas clicando no "botão de triângulo" no lado esquerdo da variável e ajustando seu valor. O impacto da variável independente controlada no valor da variável dependente pode ser observado, com as mudanças nos valores dos nós afetados também refletidos no gráfico causal à esquerda. RATH suporta o controle simultâneo de várias variáveis para permitir análises causais multidimensionais e complexas.
Variáveis categóricas
Para algumas variáveis categóricas, é mais difícil observar diretamente a influência dessa variável por outras variáveis numericamente. No módulo de análise "e se", basta clicar nas variáveis categóricas e elas serão automaticamente decompostas em novas variáveis compostas de vários valores (semelhante à codificação one-hot), e então o "e se" iindicará o impacto sobre o efeito das variáveis decompostas. (Por exemplo, se tivermos uma variável de "tomar medicamentos", ela será decomposta em se tomar o medicamento A, se tomar o medicamento B, se tomar placebo, etc.)
Alterar layouts de visualização gráfica
RATH integra uma variedade de algoritmos para diferentes layouts de visualização gráfica. Para diferentes estruturas topológicas causais, você pode escolher livremente o algoritmo de layout apropriado. Para estudar a estrutura intervariável de diferentes perspectivas.
Próximos passos
- Para aprender mais sobre a Análise Causal, consulte o capítulo de Análise Causal.
- Para a descoberta de padrões de texto, consulte o capítulo de Extração de padrões de texto.