{"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\/nl\/blog\/choice-learn-large-scale-choice-modeling-for-operational-contexts-through-the-lens-of-machine-learning\/","title":{"rendered":"Keuze-leren: Grootschalige keuzemodellering voor operationele contexten door de lens van machinaal leren"},"content":{"rendered":"

Auriau, Vincent, Ali Aouad, Antoine D\u00e9sir en Emmanuel Malherbe. \u201cKeuze-leren: Grootschalige keuzemodellering voor operationele contexten door de lens van machinaal leren.\u201d Tijdschrift voor Open Source Software 9, nr. 101 (2024): 6899.<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/div>

Lees het artikel <\/span><\/a><\/div>

Inleiding<\/h2><\/div>

Discrete keuzemodellen zijn gericht op het voorspellen van keuzebeslissingen die individuen maken uit een menu van alternatieven, een zogenaamd assortiment. Bekende toepassingen zijn bijvoorbeeld het voorspellen van de keuze van een forens voor een bepaalde vervoerswijze of de aankopen van een klant. Keuzemodellen kunnen omgaan met variaties in het assortiment, wanneer sommige alternatieven niet meer beschikbaar zijn of wanneer hun kenmerken in verschillende contexten veranderen. Dankzij dit aanpassingsvermogen aan verschillende scenario's kunnen deze modellen worden gebruikt als input voor optimalisatieproblemen, waaronder assortimentsplanning of prijsstelling.<\/p>\n<\/div>

Choice-Learn biedt een modulaire suite van hulpmiddelen voor keuzemodellering waarmee praktijkmensen en academische onderzoekers data keuzes kunnen verwerken en vervolgens keuzemodellen kunnen formuleren, schatten en operationaliseren. De bibliotheek is gestructureerd in twee gebruiksniveaus, zoals ge\u00efllustreerd in figuur 1. Het hogere niveau is ontworpen voor snelle en eenvoudige implementatie en het lagere niveau maakt meer geavanceerde parameterisaties mogelijk. Deze structuur, ge\u00efnspireerd op de verschillende eindpunten van Keras (Chollet et al., 2015), maakt een gebruiksvriendelijke interface mogelijk. Choice-Learn is ontworpen met de volgende doelstellingen:<\/p>\n<\/div>