{"id":132194,"date":"2024-10-07T17:22:46","date_gmt":"2024-10-07T16:22:46","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=132194"},"modified":"2024-11-07T15:43:20","modified_gmt":"2024-11-07T15:43:20","slug":"choice-learn-large-scale-choice-modeling-for-operational-contexts-through-the-lens-of-machine-learning","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/choice-learn-large-scale-choice-modeling-for-operational-contexts-through-the-lens-of-machine-learning\/","title":{"rendered":"Choice-Learn: Modelagem de escolha em larga escala para contextos operacionais atrav\u00e9s das lentes do aprendizado de m\u00e1quina"},"content":{"rendered":"

Auriau, Vincent, Ali Aouad, Antoine D\u00e9sir e Emmanuel Malherbe. \u201cChoice-Learn: Large-scale choice modeling for operational contexts through the lens of machine learning.\u201d Journal of Open Source Software 9, no. 101 (2024): 6899.<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/div>

Leia o artigo <\/span><\/a><\/div>

Introdu\u00e7\u00e3o<\/h2><\/div>

Os modelos de escolha discreta visam prever as decis\u00f5es de escolha tomadas por indiv\u00edduos em um menu de alternativas, chamado de sortimento. Casos de uso bem conhecidos incluem a previs\u00e3o da escolha do modo de transporte de um viajante ou das compras de um cliente. Os modelos de escolha s\u00e3o capazes de lidar com varia\u00e7\u00f5es de sortimento, quando algumas alternativas se tornam indispon\u00edveis ou quando seus recursos mudam em diferentes contextos. Essa adaptabilidade a diferentes cen\u00e1rios permite que esses modelos sejam usados como insumos para problemas de otimiza\u00e7\u00e3o, incluindo planejamento de sortimento ou precifica\u00e7\u00e3o.<\/p>\n<\/div>

O Choice-Learn oferece um conjunto modular de ferramentas de modelagem de escolha para que profissionais e pesquisadores acad\u00eamicos processem a escolha data e, em seguida, formulem, estimem e operacionalizem modelos de escolha. A biblioteca est\u00e1 estruturada em dois n\u00edveis de uso, conforme ilustrado na Figura 1. O n\u00edvel mais alto foi projetado para uma implementa\u00e7\u00e3o r\u00e1pida e f\u00e1cil, e o n\u00edvel mais baixo permite parametriza\u00e7\u00f5es mais avan\u00e7adas. Essa estrutura, inspirada nos diferentes pontos de extremidade do Keras (Chollet et al., 2015), permite uma interface f\u00e1cil de usar. O Choice-Learn foi projetado com os seguintes objetivos:<\/p>\n<\/div>