بررسی رویکرد نظریه تصمیم علّی با رگرسیون چندکی

هنگام مواجهه با عدم قطعیت ها، پیش بینی ها ما را در انتخاب بهترین پروژه از بین گزینه های مختلف راهنمایی می کنند. هر تصمیمی بهترین نتیجه را هدف قرار می دهد و نظریه تصمیم علّی (CDT) چارچوبی را برای انتخاب اقداماتی که به احتمال زیاد برای دستیابی به آن امکان پذیر است فراهم می کند.

اگر بتوانیم CDT را عملاً با پشتیبانی از داده ها و هوش مصنوعی اعمال کنیم، چه؟

این پست رویکرد جدیدی را مطالعه می‌کند که CDT را با رگرسیون کمیت ترکیب می‌کند، یک مدل یادگیری ماشینی که تقاضا را در سطوح مختلف پیش‌بینی می‌کند. ما از لجستیک زنجیره تامین به عنوان مثال استفاده می کنیم، جایی که انتخاب های ذخیره سازی مجدد بسیار مهم است. آیا یک کسب‌وکار باید محصولی با تقاضای بالا که تقریباً موجودی آن تمام شده است را در اولویت قرار دهد یا روی اقلام با تقاضای پایدار تمرکز کند؟ با پیش‌بینی تقاضای محصول (یا فروش) – این رویکرد به سنجش ریسک‌هایی مانند کمبود موجودی کمک می‌کند و یک تابع مفید را برای هدایت تصمیم‌گیری‌های ذخیره‌سازی مجدد محاسبه می‌کند.

اگرچه در اینجا با یک مثال زنجیره تامین نشان داده شده است، این مدل مبتنی بر CDT برای سایر زمینه هایی که تصمیمات عملی مبتنی بر داده مهم هستند، نویدبخش است.

بیایید به یک مثال ساده بپردازیم تا ببینیم چگونه CDT به ما کمک می کند تا بهترین سهام را بر اساس بازده مورد انتظار انتخاب کنیم.

فرض کنید در حال مقایسه سه سهام هستیم: مایکروسافت (MSFT)، اپل (AAPL) و انویدیا (NVDA). یه میز می چینیم… وبلاگ کامل را به صورت رایگان در Medium بخوانید.

منتشر شده از طریق به سمت هوش مصنوعی