Prescriptive modeling for counterfactual inferences

Gerçek hayat senaryolarında, sonuçları optimize etmek için deneyler veya simülasyonlar yapmak zaman ve kaynak açısından maliyetli olabilir. Bu tezde bu zorluğun üstesinden gelmek için tahmine dayalı modelleme ve optimizasyon için eğitilmiş sinir ağlarının kullanımını araştırılmaktadır. Metodoloji, girdi değişkenleri ve sonuçlar arasındaki karmaşık ilişkileri yakalamak için sinir ağlarının geçmiş veriler veya simüle edilmiş ortamlar üzerinde eğitilmesini içerir. Daha sonra parametre uzaylarını keşfetmek ve istenen sonuçlar için en uygun konfigürasyonları belirlemek için optimizasyon teknikleri kullanılır. Daha da önemlisi, bu yaklaşım, girdi parametrelerindeki değişikliklerin farklı koşullar altında sonuçları nasıl etkileyeceğini değerlendirmemize olanak tanıyan karşı olgusal analizler yapmamızı sağlar. Makalede iki farklı gerçek hayat senaryosunu ele alan vaka çalışmaları sunulmaktadır: ilk olarak, bulaşıcı hastalıkların yayılmasını hafifletmek için stratejileri optimize etmede yaklaşımımızın etkinliğini gösterdiğimiz kamuya açık simülasyon modeli FluTE. İkinci olarak, bir ürün sunumu problemini ele alıyoruz ve perakende ortamlarındaki karar verme süreçlerinde karlılığı en üst düzeye çıkarmanın sinir ağları tarafından nasıl desteklenebileceğini gösteriyoruz. Daha sonra, sinir ağından tahmin edilen çıktılardaki belirsizliği kontrol etmek için geliştirilmiş bir metodoloji de öneriyoruz. Güven aralıklarını bulmak ve bunları optimizasyon modeline yerleştirmek için sönümleme ağlarını kullanıyoruz. Deneyleri yine iki örnek olay çalışmasıyla yaptık ve ayrıştırma yöntemleri ve buluşsal yöntemleri içeren özelleştirilmiş, probleme özgü metodolojiler de ortaya sunuyoruz.