{"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\/de\/blog\/choice-learn-large-scale-choice-modeling-for-operational-contexts-through-the-lens-of-machine-learning\/","title":{"rendered":"Choice-Learn: Gro\u00dfe Wahlmodellierung f\u00fcr operative Kontexte durch die Linse des maschinellen Lernens"},"content":{"rendered":"

Auriau, Vincent, Ali Aouad, Antoine D\u00e9sir, und Emmanuel Malherbe. \u201cChoice-Learn: Gro\u00df angelegte Wahlmodellierung f\u00fcr betriebliche Kontexte durch die Linse des maschinellen Lernens.\u201d Zeitschrift f\u00fcr Open Source Software 9, Nr. 101 (2024): 6899.<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/div>

Den Artikel lesen <\/span><\/a><\/div>

Einf\u00fchrung<\/h2><\/div>

Diskrete Auswahlmodelle zielen auf die Vorhersage von Wahlentscheidungen ab, die Einzelpersonen aus einem Men\u00fc von Alternativen, dem sogenannten Sortiment, treffen. Bekannte Anwendungsf\u00e4lle sind die Vorhersage der Verkehrsmittelwahl eines Pendlers oder der Eink\u00e4ufe eines Kunden. Wahlmodelle sind in der Lage, mit Variationen des Sortiments umzugehen, wenn einige Alternativen nicht mehr verf\u00fcgbar sind oder wenn sich ihre Eigenschaften in verschiedenen Kontexten \u00e4ndern. Dank dieser Anpassungsf\u00e4higkeit an verschiedene Szenarien k\u00f6nnen diese Modelle als Input f\u00fcr Optimierungsprobleme verwendet werden, z. B. f\u00fcr die Sortimentsplanung oder die Preisgestaltung.<\/p>\n<\/div>

Choice-Learn bietet eine modulare Suite von Tools zur Modellierung von Wahlm\u00f6glichkeiten f\u00fcr Praktiker und akademische Forscher, um Wahlm\u00f6glichkeiten data zu verarbeiten und dann Wahlmodelle zu formulieren, zu sch\u00e4tzen und zu operationalisieren. Die Bibliothek ist in zwei Nutzungsebenen unterteilt, wie in Abbildung 1 dargestellt. Die h\u00f6here Ebene ist f\u00fcr eine schnelle und einfache Implementierung konzipiert und die untere Ebene erm\u00f6glicht fortgeschrittenere Parametrisierungen. Diese Struktur, die sich an den verschiedenen Endpunkten von Keras orientiert (Chollet et al., 2015), erm\u00f6glicht eine benutzerfreundliche Schnittstelle. Choice-Learn wurde mit den folgenden Zielen entwickelt:<\/p>\n<\/div>