{"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\/fr\/blog\/choice-learn-large-scale-choice-modeling-for-operational-contexts-through-the-lens-of-machine-learning\/","title":{"rendered":"Choice-Learn : Mod\u00e9lisation de choix \u00e0 grande \u00e9chelle pour des contextes op\u00e9rationnels \u00e0 travers le prisme de l'apprentissage automatique"},"content":{"rendered":"

Auriau, Vincent, Ali Aouad, Antoine D\u00e9sir et 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>

Lire l'article <\/span><\/a><\/div>

Introduction<\/h2><\/div>

Les mod\u00e8les de choix discrets visent \u00e0 pr\u00e9dire les d\u00e9cisions de choix prises par des individus \u00e0 partir d'un menu d'alternatives, appel\u00e9 assortiment. Parmi les cas d'utilisation bien connus, on peut citer la pr\u00e9vision du choix d'un mode de transport par un navetteur ou des achats d'un client. Les mod\u00e8les de choix sont capables de g\u00e9rer les variations de l'assortiment, lorsque certaines alternatives deviennent indisponibles ou lorsque leurs caract\u00e9ristiques changent dans diff\u00e9rents contextes. Cette adaptabilit\u00e9 \u00e0 diff\u00e9rents sc\u00e9narios permet \u00e0 ces mod\u00e8les d'\u00eatre utilis\u00e9s comme donn\u00e9es d'entr\u00e9e pour les probl\u00e8mes d'optimisation, y compris la planification de l'assortiment ou la fixation des prix.<\/p>\n<\/div>

Choice-Learn fournit une suite modulaire d'outils de mod\u00e9lisation des choix pour les praticiens et les chercheurs universitaires afin de traiter les choix data, puis de formuler, d'estimer et d'op\u00e9rationnaliser les mod\u00e8les de choix. La biblioth\u00e8que est structur\u00e9e en deux niveaux d'utilisation, comme l'illustre la figure 1. Le niveau sup\u00e9rieur est con\u00e7u pour une mise en \u0153uvre rapide et facile et le niveau inf\u00e9rieur permet des param\u00e9trages plus avanc\u00e9s. Cette structure, inspir\u00e9e des diff\u00e9rents points de terminaison de Keras (Chollet et al., 2015), permet une interface conviviale. Choice-Learn est con\u00e7u avec les objectifs suivants :<\/p>\n<\/div>