{"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\/es\/blog\/choice-learn-large-scale-choice-modeling-for-operational-contexts-through-the-lens-of-machine-learning\/","title":{"rendered":"Choice-Learn: Modelado de elecci\u00f3n a gran escala para contextos operativos a trav\u00e9s de la lente del aprendizaje autom\u00e1tico"},"content":{"rendered":"

Auriau, Vincent, Ali Aouad, Antoine D\u00e9sir y Emmanuel Malherbe. \u201cChoice-Learn: Modelizaci\u00f3n de elecciones a gran escala para contextos operativos a trav\u00e9s de la lente del aprendizaje autom\u00e1tico\u201d. Journal of Open Source Software 9, n\u00ba 101 (2024): 6899.<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/div>

Leer el art\u00edculo <\/span><\/a><\/div>

Introducci\u00f3n<\/h2><\/div>

Los modelos de elecci\u00f3n discreta tienen como objetivo predecir las decisiones de elecci\u00f3n tomadas por los individuos a partir de un men\u00fa de alternativas, denominado surtido. Los casos de uso m\u00e1s conocidos incluyen la predicci\u00f3n de la elecci\u00f3n del modo de transporte de un viajero o las compras de un cliente. Los modelos de elecci\u00f3n son capaces de manejar las variaciones del surtido, cuando algunas alternativas dejan de estar disponibles o cuando sus caracter\u00edsticas cambian en diferentes contextos. Esta adaptabilidad a diferentes escenarios permite utilizar estos modelos como entradas para problemas de optimizaci\u00f3n, incluyendo la planificaci\u00f3n del surtido o la fijaci\u00f3n de precios.<\/p>\n<\/div>

Choice-Learn proporciona un conjunto modular de herramientas de modelizaci\u00f3n de la elecci\u00f3n para que los profesionales y los investigadores acad\u00e9micos procesen la elecci\u00f3n data y, a continuaci\u00f3n, formulen, estimen y operacionalicen modelos de elecci\u00f3n. La biblioteca est\u00e1 estructurada en dos niveles de uso, como se ilustra en la figura 1. El nivel superior est\u00e1 dise\u00f1ado para una implementaci\u00f3n r\u00e1pida y sencilla y el nivel inferior permite parametrizaciones m\u00e1s avanzadas. Esta estructura, inspirada en los diferentes puntos finales de Keras (Chollet et al., 2015), permite una interfaz f\u00e1cil de usar. Choice-Learn est\u00e1 dise\u00f1ado con los siguientes objetivos:<\/p>\n<\/div>